CN111707260B - 一种基于频域分析及卷积神经网络的定位方法 - Google Patents
一种基于频域分析及卷积神经网络的定位方法 Download PDFInfo
- Publication number
- CN111707260B CN111707260B CN202010584528.3A CN202010584528A CN111707260B CN 111707260 B CN111707260 B CN 111707260B CN 202010584528 A CN202010584528 A CN 202010584528A CN 111707260 B CN111707260 B CN 111707260B
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- frequency domain
- neural network
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于频域分析及卷积神经网络的定位方法,基于载体惯性测量单元中的加速度计和陀螺仪,通过离散时间傅里叶变换生成离散时间信号的频谱图,并设计卷积神经网络通过挖掘频谱图中高纬度特征,获得载体的位姿变换,进而实现载体定位。本发明在不限制安放传感器载体类型和位置的情况下,仅利用原始的惯性测量单元数据通过滑动窗口的形式送入神经网络,可以准确且鲁棒的实现定位功能。
Description
技术领域
本发明属于定位方法技术领域,具体涉及一种基于频域卷分析及积神经网络的定位方法。
背景技术
定位技术的研究具有广泛的应用场景,准确且稳定的位置信息提供服务对于诸如零售、自动驾驶、机器人控制等领域具有极其重要的价值。
定位系统按照应用的具体环境可分为室内定位系统和室外定位系统。其中,室外定位可以依靠全球导航卫星系统(GNSS),如全球定位系统(GPS)、北斗卫星导航系统(BDS)、伽利略卫星定位系统(Galileo)以及格格纳斯(GLONASS)。对于室内场景。由于建筑结构对于卫星型号的屏蔽与干涉,智能依靠其他种类的信号(Wi-Fi、蓝牙等)或者传感器进行定位。然而,不论对于室外还是室内的定位方案,位置估计精度都会受到一些特定的使用场景的影响。例如对于一些具有严重遮挡的室外环境(如隧道、森林等),离开卫星的定位会不准确,此时需要其他的定位手段予以辅助。同样,利用环境信号源的有源室内定位需要提前部署相应的硬件设备,使得应用范围受到了限制;而利用惯性导航单元(IMU)的航位推算系统(DR)是解决以上问题的一种有效途径,惯性导航系统(INS)可以为一段相对较短时间内的运动提供准确的位姿解算,弥补了卫星信号衰减导致的定位失效问题。同时,作为无源的定位技术,惯性导航系统具有对外界依赖程度低、适用范围广、成本低等优点,也是室内定位系统的常用实现方案。
然而,由于惯性导航系统是基于对陀螺仪和加速度计进行二次积分获得载体的相对位姿,累积误差会导致轨迹随着运动距离的增加而发散。因此如何消除轨迹误差,是实现高精度惯性导航系统的关键,解决惯性导航系统累积误差的常见方法有:1)根据载体的运动特性消除累积误差,如行人航位推算系统(PDR)会利用双足生物的运动特点(即足部在运动过程中可以分解为摇摆和站立两种状态),设计基于零速更新(ZUPT)的误差修正方案。2)通过增加传感器信息,利用融合算法提高定位精度。但是这些方法有一定的局限性,主要表现在两个方面:1)不是所有类型的载体都有明显的运动特征可以用来消除惯性导航系统的累积误差,如无人机(UAV)、车辆在运动的过程中没有明显的运动规律以实现类似零速更新一样的误差修正效果;2)基于多传感器融合算法的实现较为困难,聚义体现在复杂的融合算法设计以及严格的传感器间数据同步要求。这使得这些方法不能简单有效的消除惯性导航系统自身的累计误差,直接影响惯性导航系统的应用效果。
发明内容
针对现有技术中的上述不足,本发明提供的基于频域分析及卷积神经网络的定位方法解决了背景技术中的上述问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于频域分析及卷积神经网络的定位方法,包括以下步骤:
S1、利用惯性测量单元采集载体的原始运动数据;
S2、对原始运动数据进行预处理,获得对应的运动数据;
S3、对处于时域的运动数据进行频域变换,生成对应的频谱图;
S4、通过卷积神经网络提取频谱图中的特征,并输出当前载体的位姿变换,进而实现定位。
进一步地,所述步骤S1具体为:将惯性测量单元固定在载体上,设置采样率为100Hz,以设置的采样率对惯性测量单元中加速度计和陀螺仪的读数数据进行采样,将其作为原始运动数据。
进一步地,所述步骤S2具体为:对惯性测量单元中加速度计和陀螺仪的读数数据采用滑动窗口为10、步长为10的分割方法进行数据分割,获得若干个尺寸为10×6的二维矩阵作为运动数据。
进一步地,所述步骤S3中,在对处于时域的运动数据进行频域变换时,对加速度计或陀螺仪每一个轴对应的每个窗口内的运动数据进行频域变换生成频谱图的方法具体为:
A1、提取二维矩阵中十个采样点的读数数据,并对其进行离散傅里叶变换,得到对应的频域变换结果X(Ω);
A2、对频域变换结果X(Ω)在[0-2π]区间内等间隔采样10个点,得到最终的频域变换数据;
A3、通过幅值数据和相位数据表示每个采样后的频域数据,进而得到对应的频谱图。
进一步地,所述步骤A1中,频域变换结果X(Ω)的表达式为:
所述步骤A3中的频谱图尺寸为20×3×2。
进一步地,所述步骤S4中的卷积神经网络包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层和第二全连接层;
所述第一卷积层、第二卷积层和第三卷积层中的卷积核尺寸均为5×3、卷积核数量依次为32、32和64;所述第一最大池化层、第二最大池化层和第三最大池化层中的池化核的尺寸均为2×2;所述第一全连接层和第二全连接层分别设置64个神经元和1个神经元,所述第二全连接层的输出为输入频谱图对应的六维数据。
进一步地,所述步骤S4具体为:
S41、将频谱图作为卷积神经网络的输入,通过三个卷积层依次对输入数据进行特征提取;
S42、通过三个最大池化层根据前一卷积层提取的特征,统计不同位置的特征并进行特征筛选;
S43、通过第一全连接层对前一最大池化层输出的特征进行加权求和,得到高阶抽象的数据特征;
S44、通过第二全连接层输出高阶抽象的数据特征对应的六维数据;
S45、基于六维数据得到当前载体的变换矩阵即位姿变换,进而实现定位。
进一步地,所述步骤S41中,通过三个卷积层对输入数据进行特征提取时的公式为:
式中,ci为卷积层第i个卷积核的输出;wi为卷积核i中的权值;bi为卷积后特征图的偏置;xa为在第a次卷积操作时处于感受野中的输入数据;k为卷积操作的总运算次数;·表示点乘运算;Relu(·)为激活函数;
所述步骤S42中,每个最大池化层输出的特征为:
式中,m为最大池化层的输出;xl表示在第l次最大池化操作时处于感受野的输入数据;j为最大池化操作的总运算次数,max为取最大值操作;
进一步地,所述步骤S45中,当前载体的变换矩阵T为:
本发明的有益效果为:
本发明提供的基于频域分析及卷积神经网络的定位方法,利用离散时间傅里叶变换将时域的原始惯性测量单元数据映射到频域,并通过循环卷积神经网络充分挖掘生成的频谱图的特征,实现基于惯性测量单元信息的载体位姿估计,进而实现定位;相对于其他惯性里程计,本发明中的深度模型的使用大大减少了位姿估计算法复杂程度,并提升了模型的鲁棒性,频域变换进一步增加了模型对于传感器数据的特征挖掘,从而提升了定位的精度。
附图说明
图1为本发明提供的基于频域分析及卷积神经网络的定位方法流程图。
图2为本发明提供的基于频域分析及卷积神经网络的定位方法框架示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
如图1-2所示,一种基于频域分析及卷积神经网络的定位方法,包括以下步骤:
S1、利用惯性测量单元采集载体的原始运动数据;
S2、对原始运动数据进行预处理,获得对应的运动数据;
S3、对处于时域的运动数据进行频域变换,生成对应的频谱图;
S4、通过卷积神经网络提取频谱图中的特征,并输出当前载体的位姿变换,进而实现定位。
本实施例步骤S1具体为:将惯性测量单元固定在载体上,设置采样率为100Hz,以设置的采样率对惯性测量单元中加速度计和陀螺仪的读数数据进行采样,将其作为原始运动数据。
上述步骤S2中,考虑到采样率以及后续的频域变换要求,我们将每个样本设置为0.1s间隔内采集的惯性测量单元数据,即对每个传感器的原始运动数据采用固定步长滑动窗口分割方法进行数据分割,因此上述步骤S2具体为:对惯性测量单元中加速度计和陀螺仪的读数数据采用滑动窗口为10、步长为10的分割方法进行数据分割,获得若干个尺寸为10×6的二维矩阵作为运动数据,10为窗口长度,6为加速度计和陀螺仪在X、Y和Z轴上的数据。
上述步骤S3中,对处于时域的原始运动数据进行频域变换生成频谱图是对经过预处理的每个二维矩阵进行离散傅里叶变换,对于惯性测量单元中的数据,加速度计和陀螺仪间的数据是相互独立的并且同一个传感器的三轴数据间也是相互独立的,而对于某一传感器在的某一轴在窗口时间采集到的数据来说,连续十个采样点的数据是相关的,因此本实施例的步骤S3中,在对处于时域的运动数据进行频域变换时,对加速度计或陀螺仪每一个轴对应的每个窗口内的运动数据进行频域变换生成频谱图的方法具体为:
A1、提取二维矩阵中十个采样点的读数数据,并对其进行离散傅里叶变换,得到对应的频域变换结果X(Ω);
A2、对频域变换结果X(Ω)在[0-2π]区间内等间隔采样10个点,得到最终的频域变换数据;
A3、通过幅值数据和相位数据表示每个采样后的频域数据,进而得到对应的频谱图。
上述步骤A1中,频域变换结果X(Ω)的表达式为:
经过对窗口时域数据进行离散时间傅里叶变换得到的频域信息,通过幅值和相位两个数据来表示每个采样后的频域数据,尺寸由时域数据的10(窗口长度)×6(加速度计和陀螺仪在X、Y和Z轴上的数据)变为频域上的20(采样点的幅值和相位)×6(加速度计和陀螺仪在X、Y和Z轴上的数据),基于该频谱信息得到频谱图20×6作为后续卷积神经网络的输入。
本实施例的步骤S4中,图2中的卷积神经网络包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层和第二全连接层;
所述第一卷积层、第二卷积层和第三卷积层中的卷积核尺寸均为5×3、卷积核数量依次为32、32和64;所述第一最大池化层、第二最大池化层和第三最大池化层中的池化核的尺寸均为2×2;所述第一全连接层和第二全连接层分别设置64个神经元和1个神经元,所述第二全连接层的输出为输入频谱图对应的六维数据;基于上述卷积神经网络结果,本实施例中的步骤S4具体为:
S41、将频谱图作为卷积神经网络的输入,通过三个卷积层依次对输入数据进行特征提取;
S42、通过三个最大池化层根据前一卷积层提取的特征,统计不同位置的特征并进行特征筛选;
S43、通过第一全连接层对前一最大池化层输出的特征进行加权求和,得到高阶抽象的数据特征;
S44、通过第二全连接层输出高阶抽象的数据特征对应的六维数据;
S45、基于六维数据得到当前载体的变换矩阵即位姿变换,进而实现定位。
上述步骤S41中,通过三个卷积层对输入数据进行特征提取时的公式为:
式中,ci为卷积层第i个卷积核的输出;wi为卷积核i中的权值;bi为卷积后特征图的偏置;xa为在第a次卷积操作时处于感受野中的输入数据;k为卷积操作的总运算次数;·表示点乘运算;Relu(·)为激活函数;
步骤S42中,每个最大池化层输出的特征为:
式中,m为最大池化层的输出;xl表示在第l次最大池化操作时处于感受野的输入数据;j为最大池化操作的总运算次数,max为取最大值操作;
步骤S45中,当前载体的变换矩阵T为:
本发明的有益效果为:
本发明提供的基于频域分析及卷积神经网络的定位方法,利用离散时间傅里叶变换将时域的原始惯性测量单元数据映射到频域,并通过循环卷积神经网络充分挖掘生成的频谱图的特征,实现基于惯性测量单元信息的载体位姿估计,进而实现定位;相对于其他惯性里程计,本发明中的深度模型的使用大大减少了位姿估计算法复杂程度,并提升了模型的鲁棒性,频域变换进一步增加了模型对于传感器数据的特征挖掘,从而提升了定位的精度。
Claims (3)
1.一种基于频域分析及卷积神经网络的定位方法,其特征在于,包括以下步骤:
S1、利用惯性测量单元采集载体的原始运动数据;
所述步骤S1具体为:将惯性测量单元固定在载体上,设置采样率为100Hz,以设置的采样率对惯性测量单元中加速度计和陀螺仪的读数数据进行采样,将其作为原始运动数据;
S2、对原始运动数据进行预处理,获得对应的运动数据;
所述步骤S2具体为:对惯性测量单元中加速度计和陀螺仪的读数数据采用滑动窗口为10、步长为10的分割方法进行数据分割,获得若干个尺寸为10×6的二维矩阵作为运动数据;
S3、对处于时域的运动数据进行频域变换,生成对应的频谱图;
S4、通过卷积神经网络提取频谱图中的特征,并输出当前载体的位姿变换,进而实现定位;
所述步骤S3中,在对处于时域的运动数据进行频域变换时,对加速度计或陀螺仪每一个轴对应的每个窗口内的运动数据进行频域变换生成频谱图的方法具体为:
A1、提取二维矩阵中十个采样点的读数数据,并对其进行离散傅里叶变换,得到对应的频域变换结果X(Ω);
A2、对频域变换结果X(Ω)在[0-2π]区间内等间隔采样10个点,得到最终的频域变换数据;
A3、通过幅值数据和相位数据表示每个采样后的频域数据,进而得到对应的频谱图;
所述步骤S4中的卷积神经网络包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层和第二全连接层;
所述第一卷积层、第二卷积层和第三卷积层中的卷积核尺寸均为5×3,卷积核数量依次为32、32和64;所述第一最大池化层、第二最大池化层和第三最大池化层中的池化核的尺寸均为2×2;所述第一全连接层和第二全连接层分别设置64个神经元和1个神经元,所述第二全连接层的输出为输入频谱图对应的六维数据;
所述步骤A1中,频域变换结果X(Ω)的表达式为:
所述步骤A3中的频谱图尺寸为20×3×2;
所述步骤S4具体为:
S41、将频谱图作为卷积神经网络的输入,通过三个卷积层依次对输入数据进行特征提取;
S42、通过三个最大池化层根据前一卷积层提取的特征,统计不同位置的特征并进行特征筛选;
S43、通过第一全连接层对前一最大池化层输出的特征进行加权求和,得到高阶抽象的数据特征;
S44、通过第二全连接层输出高阶抽象的数据特征对应的六维数据;
S45、基于六维数据得到当前载体的变换矩阵即位姿变换,进而实现定位。
2.根据权利要求1所述的基于频域分析及卷积神经网络的定位方法,其特征在于,所述步骤S41中,通过三个卷积层对输入数据进行特征提取时的公式为:
式中,ci为卷积层第i个卷积核的输出;wi为卷积核i中的权值;bi为卷积后特征图的偏置;xa为在第a次卷积操作时处于感受野中的输入数据;h为卷积操作的总运算次数;·表示点乘运算;Relu(·)为激活函数;
所述步骤S42中,每个最大池化层输出的特征为:
式中,m为最大池化层的输出;xl表示在第l次最大池化操作时处于感受野的输入数据;g为最大池化操作的总运算次数,max为取最大值操作;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584528.3A CN111707260B (zh) | 2020-06-24 | 2020-06-24 | 一种基于频域分析及卷积神经网络的定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584528.3A CN111707260B (zh) | 2020-06-24 | 2020-06-24 | 一种基于频域分析及卷积神经网络的定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111707260A CN111707260A (zh) | 2020-09-25 |
CN111707260B true CN111707260B (zh) | 2022-09-06 |
Family
ID=72542241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010584528.3A Active CN111707260B (zh) | 2020-06-24 | 2020-06-24 | 一种基于频域分析及卷积神经网络的定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707260B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112177865B (zh) * | 2020-12-02 | 2021-02-26 | 南京智谷人工智能研究院有限公司 | 一种用于解决风机故障检测中标记噪音和标记不足的方法 |
CN113029151B (zh) * | 2021-03-15 | 2023-04-14 | 齐鲁工业大学 | 一种智能车辆路径规划方法 |
CN112985462B (zh) * | 2021-04-21 | 2021-07-23 | 智道网联科技(北京)有限公司 | 基于卷积神经网络模型的惯性测量数据校正方法及装置 |
CN113514796B (zh) * | 2021-06-02 | 2022-07-08 | 军事科学院系统工程研究院网络信息研究所 | 一种无源定位方法、系统和介质 |
US20230213936A1 (en) * | 2022-01-05 | 2023-07-06 | Honeywell International Inc. | Multiple inertial measurement unit sensor fusion using machine learning |
CN116340533B (zh) * | 2023-02-23 | 2023-09-01 | 中国人民解放军军事科学院系统工程研究院 | 一种基于知识图谱的星载电磁频谱大数据智能处理系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107490378B (zh) * | 2017-07-17 | 2020-05-22 | 北京工业大学 | 一种基于mpu6050与智能手机的室内定位与导航的方法 |
CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
US10444932B2 (en) * | 2018-01-25 | 2019-10-15 | Institute For Information Industry | Virtual space positioning method and apparatus |
CN109409431B (zh) * | 2018-10-29 | 2020-10-09 | 吉林大学 | 基于神经网络的多传感器姿态数据融合方法及系统 |
US20200143237A1 (en) * | 2018-11-07 | 2020-05-07 | Ford Global Technologies, Llc | Detection of vehicle riding behavior and corresponding systems and methods |
CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和系统 |
CN111176465A (zh) * | 2019-12-25 | 2020-05-19 | Oppo广东移动通信有限公司 | 使用状态识别方法、装置、存储介质与电子设备 |
-
2020
- 2020-06-24 CN CN202010584528.3A patent/CN111707260B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111707260A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707260B (zh) | 一种基于频域分析及卷积神经网络的定位方法 | |
Sun et al. | IDOL: Inertial deep orientation-estimation and localization | |
CN112577521B (zh) | 一种组合导航误差校准方法及电子设备 | |
CN113108791B (zh) | 一种导航定位方法及导航定位设备 | |
Kim et al. | Deep Learning‐Based GNSS Network‐Based Real‐Time Kinematic Improvement for Autonomous Ground Vehicle Navigation | |
CN112113566B (zh) | 一种基于神经网络的惯性导航数据修正方法 | |
CN105509739A (zh) | 采用固定区间crts平滑的ins/uwb紧组合导航系统及方法 | |
CN113933818A (zh) | 激光雷达外参的标定的方法、设备、存储介质及程序产品 | |
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
CN105547300A (zh) | 用于auv的全源导航系统及方法 | |
CN114216459B (zh) | Elm辅助的gnss/ins组合导航无人靶车定位方法 | |
EP4143507B1 (en) | Navigation apparatus and method in which measurement quantization errors are modeled as states | |
CN110346821A (zh) | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 | |
CN110672095A (zh) | 一种基于微惯导的行人室内自主定位算法 | |
Gao et al. | An integrated land vehicle navigation system based on context awareness | |
Zhou et al. | DeepVIP: Deep learning-based vehicle indoor positioning using smartphones | |
Klein | Data-driven meets navigation: Concepts, models, and experimental validation | |
El Sabbagh et al. | Promoting navigation system efficiency during GPS outage via cascaded neural networks: A novel AI based approach | |
CN111623797B (zh) | 一种基于深度学习的步数测量方法 | |
CN115103299B (zh) | 一种基于rfid的多传感器融合定位方法 | |
Ludwig | Investigation of orientation estimation of multiple IMUS | |
Liu et al. | LGC-Net: A lightweight gyroscope calibration network for efficient attitude estimation | |
CN115451946A (zh) | 一种MEMS-IMU和Wi-Fi组合的室内行人定位方法 | |
Lin et al. | A Cnn-Speed-Based Gnss/Pdr Integrated System For Smartwatch | |
Aravind et al. | Enhancing GPS Position Estimation Using Multi-Sensor Fusion and Error-State Extended Kalman Filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |