machine-learning - 如何在相机以外的其他传感器上使用 SLAM？

Question

我有一个传感器，可以读取每个位置的电磁场强度。

并且每个位置的场都是稳定且独特的。所以读数只是位置的函数，如下所示：reading = emf(x,y,z)

读数由 3 个数字组成（不是位置）。

我想找到函数的反emf函数。这意味着我想找到pos这样定义的函数：x,y,z = pos(reading)

我无法同时使用emf和pos功能。我想我想pos使用神经网络逐步估计函数。

所以我通过 IMU 的空间输入reading和加速传感器。ax,ay,az加速度不是那么准确。我想使用这 2 个输入来帮助我确定传感器随时间的位置。您可以假设第一次读数时起始位置为 0,0,0。

简而言之，输入是reading在ax,ay,az每个时间步上，输出将根据函数的权重进行调整，pos或者输出将直接定位。

我一直在阅读SLAM（同时定位和映射）算法，我认为这可能对我的情况有所帮助，因为我的问题是概率性的。如果我准确地知道加速度，我不需要任何概率，但加速度是不准确的。

所以我想知道如何根据SLAM对这个问题进行建模？不过，我没有相机来做基于视觉的 SLAM。

为什么我认为这很容易处理？如果第一个读数是1,1,1并且位置在原点0,0,0，并且我移动传感器，则位置可能会漂移，因为传感器以前从未见过其他读数，但在我回到原点后，读数将1,1,1再次出现，因此传感器应该报告原点0,0,0作为输出。在传感器移动期间，算法应过滤加速度，以便所有先前的位置都有意义。

标签： machine-learningdeep-learningbayesianslam