XiaoMi-AI文件搜索系统
World File Search System惯性测量
基于优化的视觉惯性里程计中的全局位置测量紧耦合融合
摘要 — 为了实现长期自主导航中稳健、无漂移的位姿估计，我们在本文中提出了一种将全局位置信息与视觉和惯性测量融合在一起的紧耦合非线性优化估计器。与以前的松散耦合的工作不同，使用紧耦合方法可以利用所有测量之间的相关性。通过最小化包括视觉重新投影误差、相对惯性误差和全局位置残差的成本函数来估计最新系统状态的滑动窗口。我们使用 IMU 预积分来计算惯性残差，并利用该算法的结果有效地计算全局位置残差。实验结果表明，所提出的方法实现了准确且全局一致的估计，而优化计算成本的增加可以忽略不计。我们的方法始终优于松耦合的融合方法。与室外无人机 (UAV) 飞行中的松散耦合方法相比，平均位置误差减少了 50%，其中全局位置信息由嘈杂的 GPS 测量提供。据我们所知，这是首次在基于优化的视觉惯性里程计算法中紧密融合全局位置测量，利用 IMU 预积分方法定义全局位置因子。
基利安·奥多诺霍
用于手术导航的无线惯性磁力仪 电磁跟踪 (EMT) 是临床环境中无视线仪器跟踪和导航的黄金标准。与 GPS 导航类似，医疗器械的位置在 MRI 或 CT 生成的患者身体“地图”上进行跟踪，而无需依赖 X 射线成像，因为 X 射线成像在持续使用的情况下对患者和临床医生都有害。当前的 EMT 技术在标准医疗手术室环境中性能下降。附近的金属物体会引入磁失真误差，从而损害患者体内的准确跟踪。此外，最关键的微创干预需要越来越小的仪器，例如腔内手术，其中使用人体的自然结构（例如静脉和气道）进入手术部位。因此，需要更小的 EMT 传感器来满足这些现代临床需求。我的目标是在小型化、无线操作和使用新的微型传感器更简单地集成到医疗设备方面推进 EMT 技术。利用现代硅制造技术，EMT 传感器的微型化将为将这些微型传感器集成到尖端导管设计中铺平道路。现有磁传感器和智能手机中常见的惯性测量功能的传感器融合将用于减轻材料磁畸变的影响。最后，将探索这些组合传感器单元的无线操作。这些传感器将集成到 Integer 开发的导管和新设备的临床前验证中，并将与法国斯特拉斯堡的图像引导手术研究所 (IHU) 和挪威特隆赫姆的工业和技术研究基金会 (SINTEF) 合作进行，我们的团队与他们有着密切的合作关系。这项研究将加速 EMT 在临床环境中的整合，并改善临床医生和患者的手术结果。
如何从惯性测量数据的行为模式的监督机器学习中处理混合行为段
摘要，监督机器学习方法从生物学家的惯性测量中识别行为模式已成为行为生态学的标准工具。几种设计选择可以影响识别行为模式的准确性。这样的选择是包含或排除在机器学习模型培训数据中包含不仅是单个行为（混合段）组成的细分。目前，常见的实践是在模型培训期间忽略此类段。在本文中，我们检验了以下假设：在模型训练中包括混合段将提高准确性，因为该模型在测试数据中识别它们的表现更好。我们使用在四个加速度计数据数据集上进行了一系列数据模拟，并从四个研究物种（Damaraland mole鼠，Meerkats，Meerkats，Olive Baboons，Polar Bears）获得了一系列数据模拟。结果表明，当大量测试数据是混合行为段（高于10％）时，包括机器学习模型培训中的混合段可提高分类的准确性。这些结果在四个研究物种中是一致的，并且在混合段内的片段长度，样本量和混合物程度的变化稳健。但是，与未经混合段的训练的模型相比，在某些情况下（尤其是在狒狒中）模型（尤其是在狒狒）模型中显示出仅包含单个行为（纯）段的测试数据的准确性降低。在这种情况下，应避免将混合段过量包含在培训数据中。基于这些结果，我们建议当预期分类模型处理大量混合行为细分（> 10％）时，将它们包括在模型培训中是有益的，否则，这是不必要的，但也不有害。当时有一个基础假设培训数据包含的混合段率要比要分类的实际（未观察到的）数据更高 - 可能发生这种情况，尤其是在收集训练数据的情况下，并用于将数据分类并从野外分类。关键字身体加速器，生物遗传，机器学习，动物行为