Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Learning-based Airflow Inertial Odometry for MAVs using Thermal Anemometers in a GPS and vision denied environment

Created by
  • Haebom

저자

Ze Wang, Jingang Qu, Zhenyu Gao, Pascal Morin

개요

본 논문은 열선 풍속계, IMU, ESC, 기압계를 포함한 다중 센서 데이터 융합을 이용한 공기 흐름 관성 기반의 자세 추정 시스템을 제시합니다. 저가형 IMU와 기압계의 상당한 바이어스와 프로펠러 회전 및 지면 효과로 인한 풍속계 측정값의 심각한 간섭 문제를 해결하기 위해, GRU 기반 심층 신경망을 이용하여 잡음이 많고 방해받는 풍속계 측정값으로부터 상대 풍속을 추정하고, 바이어스 모델이 포함된 관측기를 사용하여 센서 데이터를 융합하여 무인 항공기의 상태를 추정합니다. 이륙 및 지상 착륙을 포함한 완벽한 비행 데이터를 통해 제안된 방법이 프로펠러에 의해 유도된 다운워시 풍속과 지면 효과를 분리하고, 바람이 없는 실내 환경에서 비행 속도를 정확하게 추정할 수 있음을 보여줍니다. 또한, IMU와 기압계의 바이어스를 효과적으로 추정하여 위치 적분 오차를 크게 줄였으며, 203초 동안의 수동 무작위 비행에서 위치 오차는 5.7m에 불과했습니다. 소스 코드는 https://github.com/SyRoCo-ISIR/Flight-Speed-Estimation-Airflow 에서 공개적으로 제공됩니다.

시사점, 한계점

•
시사점:
◦
저가 센서를 사용하여 정확한 비행 속도 추정이 가능함을 보여줌.
◦
프로펠러 다운워시 및 지면 효과를 효과적으로 제거하는 방법 제시.
◦
GRU 기반 심층 신경망을 이용한 잡음 제거 및 상대 풍속 추정의 효과성 입증.
◦
바이어스 모델을 포함한 관측기를 통한 센서 데이터 융합의 우수성 확인.
◦
오픈소스 공개를 통한 연구의 재현성 및 확장성 증대.
•
한계점:
◦
실내 바람 없는 환경에서만 실험이 진행되어 실제 환경 적용 가능성에 대한 추가 연구 필요.
◦
다양한 환경 및 비행 조건에 대한 로버스트성 검증 필요.
◦
사용된 GRU 네트워크의 구조 및 하이퍼파라미터 최적화 과정에 대한 상세한 설명 부족.
👍
Made with Slashpage