文件名称：Understanding_inertial_odometry_with_DNN
文件大小：69.68MB
文件格式：ZIP
更新时间：2024-04-22 04:13:13
Python
使用DNN了解惯性里程计 在导航中，最近仅使用来自低成本IMU的数据研究了用于惯性里程表（IO）的深度学习。 使用深度神经网络（DNN）估算IO遭受的噪声，偏差和某些错误的测量，以实现更准确的姿态估算。 尽管有关该主题的大量研究强调了其方法的性能，但尚未阐明具有DNN的数据驱动IO的行为。 通过这项工作，我们介绍了IO中剩余的问题，并希望我们的工作能够促进进一步的研究。 进一步阅读： : 本文介绍了用于训练和测试一种版本的神经网络的代码。 Kitti数据集用于此版本的代码。 使用方法： $ ./main_kitty main_kitty中有两个选项： - train_veloNet - test_veloNet 将该值设置为1以启动所需的功能。 训练了一个神经网络的示例，并将其保存在文件夹./saved_NN中