矩阵Fisher-Bayes深度姿态估计方法OA
为解决惯性测量单元(IMU)姿态估计中误差累积问题,本文采用卷积-循环神经网络,直接从IMU原始数据中提取服从矩阵Fisher分布的伪测量概率,并将其与基于刚体运动模型的贝叶斯滤波器进行融合,实现IMU器件对姿态的独立测量.但该方法不能保证训练的稳定性与估计精度.为此,本文提出3项改进措施:限制学习参数数值范围以增强训练稳定性;对损失函数中的归一化常数进行分段近似,以平衡计算效率与精度;在执行贝叶斯滤波前进行时间对齐以保持因果关系.在KITTI数据集上的实验结果表明,本文方法相较于基线MFP方法,分别将方位角平均误差和偏航角误差降低了3%与5%,且不同场景间的误差波动不超过1.1°,展现出良好的鲁棒性与工程适用性.
李宾;杨洋;徐攀峰;宋岩;李丽娜;许超
辽宁大学物理学院,辽宁沈阳110036辽宁大学物理学院,辽宁沈阳110036辽宁大学物理学院,辽宁沈阳110036辽宁大学物理学院,辽宁沈阳110036辽宁大学物理学院,辽宁沈阳110036辽宁大学物理学院,辽宁沈阳110036
信息技术与安全科学
姿态估计矩阵Fisher分布贝叶斯滤波器惯性测量单元
《辽宁大学学报(自然科学版)》 2026 (2)
P.135-142,8
国家自然科学基金(61571308)。
评论