論文の概要: OdoNet: Untethered Speed Aiding for Vehicle Navigation Without Hardware
Wheeled Odometer
- arxiv url: http://arxiv.org/abs/2109.03091v1
- Date: Tue, 7 Sep 2021 13:45:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 14:46:02.663671
- Title: OdoNet: Untethered Speed Aiding for Vehicle Navigation Without Hardware
Wheeled Odometer
- Title（参考訳）: OdoNet:ハードウェア駆動型オドメーターを使わずに車載ナビゲーションを支援する
- Authors: Hailiang Tang, Xiaoji Niu, Tisheng Zhang, You Li and Jingnan Liu
- Abstract要約: オドメーターは、GNSS/INS(Global Navigation Satellite System / Inertial Navigation System)統合車両ナビゲーション環境の精度を大幅に向上することが証明されている。
単慣性測定ユニット(IMU)から学習した1次元畳み込みニューラルネットワーク(CNN)を用いた擬似オドメーターモデルであるOdoNetを提案する。
提案するOdoNetは,車載ナビゲーション用擬似ドメータとして使用することができ,位置決め型環境の精度と信頼性を効率よく向上させることができる。
- 参考スコア（独自算出の注目度）: 1.0735852431887225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Odometer has been proven to significantly improve the accuracy of the Global
Navigation Satellite System / Inertial Navigation System (GNSS/INS) integrated
vehicle navigation in GNSS-challenged environments. However, the odometer is
inaccessible in many applications, especially for aftermarket devices. To apply
forward speed aiding without hardware wheeled odometer, we propose OdoNet, an
untethered one-dimensional Convolution Neural Network (CNN)-based
pseudo-odometer model learning from a single Inertial Measurement Unit (IMU),
which can act as an alternative to the wheeled odometer. Dedicated experiments
have been conducted to verify the feasibility and robustness of the OdoNet. The
results indicate that the IMU individuality, the vehicle loads, and the road
conditions have little impact on the robustness and precision of the OdoNet,
while the IMU biases and the mounting angles may notably ruin the OdoNet. Thus,
a data-cleaning procedure is added to effectively mitigate the impacts of the
IMU biases and the mounting angles. Compared to the process using only
non-holonomic constraint (NHC), after employing the pseudo-odometer, the
positioning error is reduced by around 68%, while the percentage is around 74%
for the hardware wheeled odometer. In conclusion, the proposed OdoNet can be
employed as an untethered pseudo-odometer for vehicle navigation, which can
efficiently improve the accuracy and reliability of the positioning in
GNSS-denied environments.
- Abstract（参考訳）: オドメーターは、グローバルナビゲーション衛星システム/慣性ナビゲーションシステム(GNSS/INS)の統合車両ナビゲーションの精度を大幅に向上することが証明されている。
しかし、オドメーターは多くのアプリケーション、特にアフターマーケットデバイスではアクセスできない。
ハードウェア駆動型オドメータを使わずに前進速度支援を行うために,単慣性測定ユニット(IMU)から一次元畳み込みニューラルネットワーク(CNN)を用いた擬似オドメータモデル学習を行うOdoNetを提案する。
OdoNetの有効性と堅牢性を検証するために、詳細な実験が行われた。
その結果、IMUの個人性、車両の負荷、道路条件がOdoNetの堅牢性や精度にはほとんど影響を与えず、一方IMUのバイアスや取付角度はOdoNetを著しく損なう可能性が示唆された。
これにより、IMUバイアスと取付角度の影響を効果的に緩和するデータクリーニング手順が加えられる。
非ホロノミック制約(NHC)のみを用いるプロセスと比較して、擬似オドメーターを使用した場合、位置決め誤差は約68%減少し、ハードウェアホイール付きオドメーターでは約74%減少する。
結論として,提案するOdoNetは車両航法用擬似ドメータとして使用することができ,GNSSの環境における位置決めの精度と信頼性を効率よく向上することができる。
関連論文リスト
- GPS-IMU Sensor Fusion for Reliable Autonomous Vehicle Position Estimation [0.0]
慣性測定ユニット(IMU)は加速度や回転の変化などの相対的な運動情報を提供する。
GPSとは異なり、IMUは外部の信号に頼らず、GPSで識別された環境で有用である。
GPSとIMUを融合させることは、自動運転車のナビゲーションシステムの信頼性と精度を高めるために重要である。
論文 参考訳（メタデータ） (2024-05-13T19:05:36Z) - Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied
Scenarios [66.05091704671503]
本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。
また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
論文 参考訳（メタデータ） (2024-02-04T08:41:20Z) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳（メタデータ） (2023-10-08T21:32:30Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Learning Position From Vehicle Vibration Using an Inertial Measurement Unit [2.1213500139850012]
本稿では,グローバルナビゲーション衛星システム(GNSS)に依存しない車両位置決め手法を提案する。
従来のアプローチは特定の環境での干渉に弱いため、都市キャニオンやフライオーバーや低受信エリアなどの状況では信頼性が低い。
本研究では,慣性計測ユニット(IMU)センサで得られた加速度計およびジャイロスコープ測定から道路信号の学習に基づく車両位置決め手法を提案する。
論文 参考訳（メタデータ） (2023-03-06T18:55:00Z) - Deep Learning for Inertial Sensor Alignment [1.9773109138840514]
慣性測定ユニット(IMU)を装備したスマートフォンのヨー装着角度を学習し,車に装着するデータ駆動型アプローチを提案する。
提案モデルは、IMUからの加速度計とジャイロスコープのみを入力として使用する。
トレーニングされたモデルはAndroidデバイスにデプロイされ、推定されたヨー装着角度の精度をテストするためにリアルタイムで評価される。
論文 参考訳（メタデータ） (2022-12-10T07:50:29Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - Learning Car Speed Using Inertial Sensors [0.0]
ディープニューラルネットワーク(DNN)は、都市部で運転する車の速度を推定するために訓練される。
イスラエルのアシュドッド市では、グローバルなナビゲーション衛星システムを備えた車で3時間分のデータを収集した。
トレーニングされたモデルでは、位置更新を使わずに、4分間のドライブで位置精度を大幅に向上することが示されている。
論文 参考訳（メタデータ） (2022-05-15T17:46:59Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。