使用LSTM神经网络和UWB定位系统来预测低速和高速移动物体的位置
Krzysztof Paszek1, Damian Grzechca2
1Department of Telecommunications and Teleinformatics, Faculty of Automatic Control, Electronics and Computer Science, Silesian University of Technology, Akademicka 16, 44-100 Gliwice, Poland.
本研究引入了一种新的方法,使用长短期记忆 (LSTM) 人工神经网络来预测自主系统中的对象位置. 该方法提高了移动物体的定位精度,这对于防止碰撞至关重要.
科学领域:
- 机器人技术和自主系统
- 人工智能的人工智能
- 传感器融合式传感器
背景情况:
- 自主运输依赖于准确的定位系统,但当前的技术,如全球定位系统 (GPS) 和超宽带 (UWB) 有局限性.
- 数据采集期间的物体移位和暂时丢失的数据会降低定位准确度,并可能造成安全风险.
- 高速移动和低位置更新率加剧了保持实时,准确的对象位置意识的挑战.
研究的目的:
- 通过预测物体位置,为自动驾驶汽车开发可靠的定位系统.
- 为了减轻数据采集延迟和传感器限制对定位准确度的影响.
- 通过积极的碰撞检测,提高自动驾驶运输的安全性.
主要方法:
- 使用长短期记忆 (LSTM) 人工神经网络进行位置预测.
- 集成超宽带 (UWB) 系统和惯性导航传感器的历史数据.
- 开发一种能够预测多个未来位置的预测模型.
主要成果:
- 对于低速和高速移动的物体,实现了低于10厘米的定位预测误差.
- 成功预测了多达10个未来的位置,提供了显著的时间优势.
- 证明了系统预测物体轨迹和检测潜在碰撞的能力.
结论:
- 拟议的基于LSTM的预测系统提供了一个强大的解决方案,用于提高自动驾驶运输中的定位可靠性.
- 准确的位置预测对于确保安全和在动态环境中有效避免碰撞至关重要.
- 将UWB和惯性导航数据与LSTM预测相结合,为未来的自动驾驶系统创造了一个强大的工具.
更多相关视频
16:01An Experimental Protocol for Assessing the Performance of New Ultrasound Probes Based on CMUT Technology in Application to Brain Imaging
Published on: September 24, 2017
08:04Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking FLLIT
Published on: April 23, 2020
相关概念视频
Field Application of Global Positioning System
Design Example: Identifying the Locations of Monuments in the Field Using Global Positioning System Device
Errors in Global Positioning System
Introduction to Global Positioning System
Types of Global Positioning System Surveys
