Applying Deep Learning To Improve Optimization- Based Approaches For Robust Sensor Fusion

Recent studies show that deep learning can be employed to learn from sensor data to improve accuracy and robustness of sensor fusion algorithms. In the same vein, in this thesis we use a state-of-the-art temporal convolution network to predict zero velocity updates (ZUPT) from raw inertial measurement unit (IMU) signals, and use the network output to improve the performance of an optimization-based pose estimator. Experiments were conducted on publicly available datasets, and results show that (i) the network can distinguish a car in motion vs. a car standing still by observing an IMU signal, and (ii) that ZUPT detection enhances the observability of states in the optimization-based pose estimation, thus reducing local drift. Nyligen gjorda studier visar att djupinlärning kan användas för att lära av sensordata för att förbättra noggrannhet och robusthet hos sensorfusionsalgoritmer. På samma sätt använder vi i denna avhandling en tidsberoende faltnings neuronnätsmodell (TCN) för att detektera om ett fordon står stilla även kallat zero velocity updates (ZUPT) från IMU rå- data och använder neuronnätsprediktionen för att förbättra prestandan hos en optimeringsbaserad positionsuppskattning. Experiment utfördes på allmänt publicerade datamängder, och resultaten visar att (i) neuronnätsmodellen kan läras till att urskilja en bil i rörelse kontra en bil som står stilla genom att observera en IMU- signal, och (ii) att ZUPT- detektering förbättrar observerbarheten för tillstånd i den optimeringsbaserade positioneringsuppskattningen, vilket minskar lokal drift