熱式風速計と深層学習を用いたGPS・視覚非依存のMAV向け気流慣性オドメトリ

- 本論文は、GPSやvisionが使えない環境でMAVのための気流慣性オドメトリシステムを提案する。 - thermal anemometer, IMU, ESC, barometerのマルチセンサデータ融合を行う。 - GRUベースの深層ニューラルネットワークでノイズや外乱のあるanemometer測定から相対対気速度を推定し、バイアスモデルを持つオブザーバでセンサデータを融合して航空機の状態を推定する。 - 離着陸を含む完全な飛行データで、プロペラによるダウンウォッシュと地面効果を分離し、風のない屋内環境で飛行速度を正確に推定できることを示す。 - IMUとbarometerのバイアスを効果的に推定し、位置積分ドリフトを大幅に低減する。手動ランダム飛行203秒でドリフトは5.7mのみ。 - コードはGitHubで公開されている。

- 低コストIMUとbarometerは大きなバイアスを持ち、anemometer測定は回転するプロペラや地面効果の干渉を受けやすいという課題がある。 - 先行研究と比べてどこがすごいかは要旨からは不明。 - ただし、GRUベースの深層ニューラルネットワークを用いてノイズや外乱のあるanemometer測定から相対対気速度を推定し、バイアスモデルを持つオブザーバで融合する点が特徴的。 - プロペラによるダウンウォッシュと地面効果を分離できることを示した点、風のない屋内環境で飛行速度を正確に推定し、IMUとbarometerのバイアスを効果的に推定して位置積分ドリフトを大幅に低減した点が成果として挙げられる。

- thermal anemometer, IMU, ESC, barometerのマルチセンサデータ融合システムを構築。 - GRUベースの深層ニューラルネットワークを用いて、ノイズや外乱のあるanemometer測定から相対対気速度を推定。 - バイアスモデルを持つオブザーバを設計し、センサデータを融合して航空機の状態を推定。 - これにより、プロペラによるダウンウォッシュと地面効果を分離し、IMUとbarometerのバイアスを推定。 - 位置積分ドリフトを低減する。

- 離着陸を含む完全な飛行データを用いて検証。 - プロペラによるダウンウォッシュと地面効果を分離できることを示した。 - 風のない屋内環境で飛行速度を正確に推定できることを確認。 - IMUとbarometerのバイアスが効果的に推定され、位置積分ドリフトが大幅に低減されることを示した。 - 手動ランダム飛行203秒で位置ドリフトは5.7mのみ。

- 要旨からは不明。 - ただし、低コストIMUとbarometerのバイアス、anemometer測定へのプロペラや地面効果の干渉という課題に対処している。 - 提案手法の限界や議論については要旨に記載がない。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、GRUベースの深層ニューラルネットワーク、バイアスモデルを持つオブザーバ、マルチセンサデータ融合（thermal anemometer, IMU, ESC, barometer）が挙げられる。 - 同分野の定番として、視覚オドメトリやGPS/INS融合、気流センサを用いたオドメトリの研究が考えられるが、具体的な論文名は要旨からは不明。