模型驱动PDR、数据驱动PDR实验效果对比

本学期的室内导航位置服务课程结束了,最后有一个结课作业做了一些工作,在这里分享给大家,同时也是自己的一个记录。
主要内容包括以下四个方面:

  • 模型驱动PDR
  • 数据驱动PDR
  • 实验效果对比
    • 模型驱动PDR测试效果
    • 数据驱动PDR-RoNIN官方预训练模型
    • 数据驱动PDR-自主训练
  • 总结展望

模型驱动PDR

模型驱动PDR、数据驱动PDR实验效果对比_第1张图片
详细可参考PDR (Pedestrian Dead Reckoning)行人航位推算基本原理及实现

数据驱动PDR

这里使用的是RONIN模型:RoNIN: Robust Neural Inertial Navigation预训练模型测试
模型驱动PDR、数据驱动PDR实验效果对比_第2张图片
模型驱动PDR、数据驱动PDR实验效果对比_第3张图片

实验效果对比

使用自采的三个不同形状数据直线、方形、T形,进行测试。

模型驱动PDR测试效果

模型驱动PDR、数据驱动PDR实验效果对比_第4张图片

数据驱动PDR-RoNIN官方预训练模型

模型驱动PDR、数据驱动PDR实验效果对比_第5张图片

数据驱动PDR-自主训练

模型驱动PDR、数据驱动PDR实验效果对比_第6张图片
模型驱动PDR、数据驱动PDR实验效果对比_第7张图片
模型驱动PDR、数据驱动PDR实验效果对比_第8张图片
模型驱动PDR、数据驱动PDR实验效果对比_第9张图片

模型驱动PDR、数据驱动PDR实验效果对比_第10张图片
模型驱动PDR、数据驱动PDR实验效果对比_第11张图片
模型驱动PDR、数据驱动PDR实验效果对比_第12张图片

总结展望

  • 相比于模型驱动PDR,数据驱动PDR的鲁棒性更强,尤其能够较好的处理转弯,掉头等航向角迅速变化的动作。
  • 逐步增加训练epoch能提高模型在复杂运动中的适应能力
  • 增加训练数据量,在平端、摆臂等行走状态下,从指标上来看没有明显的精度提高,从视觉效果上来看更加贴近真实情况;
  • 增加训练数据量,在T形多种动作切换状态下获取的轨迹长度更加贴近真值。

你可能感兴趣的:(杂七杂八,深度学习,算法)