.png){kind=icon}
返回
Learning-aided state estimation for robotic rollators with experimental validation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.robot.2025.105140.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 本文提出了一种混合（学习辅助）估计框架，该框架通过将深度学习组件与最优方差卡尔曼滤波器相结合，以解决速度估计中的模型不确定性问题。• 在此基础上，本文的主要贡献和亮点可总结如下：(i) 基于机器人运动学（通过低成本IMU和编码器测量）开发了一种数据驱动的LSTM（长短期记忆网络）状态估计器；(ii) 通过将LSTM估计值与无迹卡尔曼观测器相结合，开发了一种学习辅助状态估计方法（L-ASE）；(iii) 使用定制机器人助行平台对两种方法进行了实验评估。
Keyword:
Kalman filter
LSTM
state estimation
model uncertainty
robotic rollator
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.2
论文数:
765
被引数:
1.0W
机构
引用论文
9-DOF IMU-Based Attitude and Heading Estimation Using an Extended Kalman Filter with Bias Consideration.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Design and control of an active-caster electric walker with a walk sensing system (Smart Walker)
PREAI
分享收藏
查看更多内容