基于递归神经网络的IMUs误差建模

Question

惯性测量单元(IMU)，通常由加速度计和陀螺仪组成，其数据存在固有误差，源于偏置、随机游走噪声、温度依赖性等，造成了高度的非线性依赖。通常，扩展卡尔曼滤波器用于估计和消除这些误差，以便稳定地测量方位和角速度:但即使这样也不完全准确，因为一些高阶误差被忽略或近似，而马尔可夫假设在预测未来值时忽略了比前一个值更老的值的影响。IMUs的最高精度通常是经过严格的工厂校准(这反过来又使好的校准非常昂贵)。

在这种情况下，递归神经网络在建立这些错误的模型中会有多大的适用性呢？假设我的“训练数据”包括加速度计和陀螺仪值，它们可以被融合以获得噪声方向估计，同时，来自另一个传感器的更精确的方位估计(例如，非常精确的GPS)：是否可以用RNN代替Kalman滤波器的功能来进行误差估计和传感器输出预测？

Answer 1

唯一能找到答案的方法就是试一试，但我怀疑。Kalman对“先验”作了一个具体的假设，即关于信号随时间的关系的性质。这是基于对运动的物理知识和这是如何影响传感器值，并结合一些假设的可能性，不同类型的运动。假设模型和假设是准确的，这有助于提供一个更准确的方向估计。

相反，递归神经网络没有内置的知识，也没有有用的“先验”。它没有运动物理模型，也没有假设。原则上，这使它更加普遍。但实际上，这意味着，如果你有有限的数据，它很可能是不准确的。

一般来说，一个强大的先验和有用的模型是非常有用的。在这个限制下，由于您有无限的数据，您可能不需要一个模型。但是，在有限的数据下，这个模型是有帮助的。Kalman滤波器提供了一个相当合理的模型，当试图处理来自IMUs的数据时，我们通常只有有限的数据。

如果Kalman滤波器的模型所作的假设不符合实际情况，那么RNN可能更有效。然后，您可以想象RNN可能会学习动力学，因为它们不假设特定的模型，而Kalman滤波器则锁定在特定的模型中。我并不特别期望这种情况会发生在实践中，但这是可能的。

总的来说，从第一原则出发，我预计/预测RNN的有效性不如卡尔曼滤波。但这只是猜测而已。如果你真的想知道，确定的方法是尝试一些实验。

Answer 2

是的，你可以做传感器融合，因为你有机会获得地面真相在培训期间。

您不应该尝试用RNN来建模错误。相反，您应该直接构建一个MISO RNN模型(多个输入，->，传感器，单输出，->，地面真相的估计)。

Answer 3

实际上，您不需要RNN模型。你可以映射输入(陀螺仪，加速度计和初始角度和频率)，以输出给你有训练数据，借助标准的人工神经网络。