To improve the accuracy and robustness of the inertial navigation systems (INS) for wheeled robots without adding additional component cost, we propose Wheel-INS, a complete dead reckoning solution based on a wheel-mounted microelectromechanical system (MEMS) inertial measurement unit (IMU). There are two major advantages by mounting an IMU to the center of a non-steering wheel of the ground vehicle. Firstly, the gyroscope outputs can be used to calculate the wheel speed, so as to replace the traditional odometer to mitigate the error drift of INS. Secondly, with the rotation of the wheel, the constant bias error of the inertial sensor can be canceled to some extent. The installation scheme of the wheel-mounted IMU (Wheel-IMU), the system characteristics, and the dead reckoning error analysis are described. Experimental results show that the maximum position drift of Wheel-INS in the horizontal plane is less than 1.8% of the total traveled distance, reduced by 23% compared to the conventional odometer-aided INS (ODO/INS). In addition, Wheel-INS outperforms ODO/INS because of its inherent immunity to constant bias error of gyroscopes. The source code and experimental datasets used in this paper is made available to the community (https://github.com/i2Nav-WHU/Wheel-INS).


翻译:为了提高轮式机器人惯性导航系统的准确性和稳健性,同时又不增加部件成本,我们提议采用轮式导航系统(INS),这是基于轮式微电子机械惯性测量单元(IMU)的完全报废的计算解决方案。将一个IMU安装到地面车辆非轮式轮盘的中心,有两大优点。首先,陀螺仪产出可以用来计算轮速,以取代传统的航差计,减轻INS的误差漂移。第二,轮式旋转后,惯性传感器的一贯偏向错误可以在某种程度上取消。轮式微电子机械系统(MEMS)惯性测量单元(IMU)的安装计划、系统特性和死亡误算分析都有描述。实验结果显示,轮式导航系统在水平平面上的最大位置漂移速度不到总移动距离的1.8%,比常规的多计INS(ODO/INS)减少23%。此外,轮式INS/INSDO/INS 的惯性光学源值为ODODO/INSA文件的惯性偏差源。

1
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
【KDD2020-Tutorial】自动推荐系统,Automated Recommendation System
麻省理工学院MIT-ICLR2020《神经网络能推断出什么?》
专知会员服务
50+阅读 · 2020年2月19日
Yoshua Bengio,使算法知道“为什么”
专知会员服务
7+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
《自然》(20190829出版)一周论文导读
科学网
6+阅读 · 2019年8月30日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
carla无人驾驶模拟中文项目 carla_simulator_Chinese
CreateAMind
3+阅读 · 2018年1月30日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
1+阅读 · 2021年6月15日
Graph-Based Recommendation System
Arxiv
4+阅读 · 2018年7月31日
VIP会员
相关VIP内容
专知会员服务
25+阅读 · 2021年4月2日
【KDD2020-Tutorial】自动推荐系统,Automated Recommendation System
麻省理工学院MIT-ICLR2020《神经网络能推断出什么?》
专知会员服务
50+阅读 · 2020年2月19日
Yoshua Bengio,使算法知道“为什么”
专知会员服务
7+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
《自然》(20190829出版)一周论文导读
科学网
6+阅读 · 2019年8月30日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
carla无人驾驶模拟中文项目 carla_simulator_Chinese
CreateAMind
3+阅读 · 2018年1月30日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员