KR20220085282A - optimal structure and fusion methodology for multiple inertial measurement units - Google Patents
optimal structure and fusion methodology for multiple inertial measurement units Download PDFInfo
- Publication number
- KR20220085282A KR20220085282A KR1020200175219A KR20200175219A KR20220085282A KR 20220085282 A KR20220085282 A KR 20220085282A KR 1020200175219 A KR1020200175219 A KR 1020200175219A KR 20200175219 A KR20200175219 A KR 20200175219A KR 20220085282 A KR20220085282 A KR 20220085282A
- Authority
- KR
- South Korea
- Prior art keywords
- inertial measurement
- sensor
- measurement sensor
- values
- optimal structure
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
- G01C21/188—Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3844—Data obtained from position sensors only, e.g. from inertial navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Navigation (AREA)
Abstract
다중 관성측정센서(Inertial Measurement Unit, IMU)의 최적 구조 및 융합 방법론이 개시된다. An optimal structure and fusion methodology of a multi-inertial measurement unit (IMU) are disclosed.
Description
아래의 설명은 다중 관성측정센서의 융합을 위한 최적 구조 및 방법론에 관한 것이다. The following description relates to the optimal structure and methodology for the fusion of multiple inertial measurement sensors.
종래의 관성측정센서 기반 주행 움직임 추정 기술(Inertial Odometry)은 단일 관성 측정센서를 사용하여 시간축에서의 값들을 역학적으로 계산하고 이를 칼만필터와 같은 필터 방식의 알고리즘으로 6자유도 자세를 추정하는 기술이다. 상기 기술은 관성측정센서의 편향값을 보정해주는 이종 센서의 관측정보가 없어 시간에 따라 누적되는 센서 오차에 의해 드리프트가 심하게 발생하여 정확도가 현저히 낮은 한계가 있다. 낮은 오차의 관성측정센서의 경우 오차가 줄어듦에 따라 센서 비용이 기하급수적으로 증가하는 비용적 문제 역시 존재한다. The conventional inertial measurement sensor-based driving motion estimation technology (Inertial Odometry) is a technology that dynamically calculates values on the time axis using a single inertial measurement sensor and estimates a 6-DOF posture using a filter-type algorithm such as the Kalman filter. . The technology has a limitation in that the accuracy is significantly low because there is no observation information of a heterogeneous sensor that corrects the deflection value of the inertial measurement sensor, and drift occurs severely due to sensor error accumulated over time. In the case of an inertial measurement sensor with low error, there is also a cost problem in that the sensor cost increases exponentially as the error decreases.
종래의 단일 카메라 및 관성측정센서 융합 움직임 추정 기술(Visual Inertial Odometry)은 단안 영상 및 단일 관성측정센서를 융합하여 시공간상에서 관측된 영상 내 특징점 정보와 관성센서 값을 융합하여 주변환경의 3차원 지도와 6자유도 자세를 추정하는 기술이다. 상기 기술은 단일 영상 정보를 관측정보로 사용하여 관성측정센서의 누적 오차 및 노이즈를 어느 정도 해결하나, 실제 크기에 대한 정보를 관성측정센서에만 의지하므로 관성측정센서의 성능에 의존적인 한계가 있다. The conventional single camera and inertial sensor fusion motion estimation technology (Visual Inertial Odometry) fuses a monocular image and a single inertial measurement sensor to fuse the characteristic point information and the inertial sensor value in the image observed in space-time to create a three-dimensional map of the surrounding environment. This is a technique for estimating a six-degree-of-freedom posture. The above technology uses single image information as observation information to solve the accumulated error and noise of the inertial measurement sensor to some extent, but there is a limit dependent on the performance of the inertial measurement sensor because it only relies on the information about the actual size of the inertial measurement sensor.
종래의 다중 관성측정센서 융합 기술(Multi-Inertial Measurement Units, MIMU)은 다중 관성측정센서 값을 하나의 값으로 융합하여 개별 센서의 노이즈를 확률적으로 낮추는 기술이다. 종래에도 다중 관성측정센서를 융합하려는 시도는 존재했으나, 센서 간의 거리가 매우 가깝고 센서 간의 축이 동일하게 하나의 소형 센서 내부에 배열되어 있다. 이러한 구조는 매우 정교한 공정을 통해 이루어지므로 구축이 까다로운 한계가 있으며 서로 다른 축 간의 편향값을 보정할수 없는 한계가 있다.The conventional multi-inertial measurement sensor fusion technology (Multi-Inertial Measurement Units, MIMU) is a technology for probabilistically lowering the noise of individual sensors by fusing multiple inertial measurement sensor values into one value. Although there have been attempts to converge multiple inertial measurement sensors in the prior art, the distance between the sensors is very close and the axes between the sensors are equally arranged inside one small sensor. Since this structure is made through a very sophisticated process, there is a limitation in that it is difficult to construct, and there is a limitation in that the deflection value between different axes cannot be corrected.
다중 관성측정센서의 융합을 위한 최적 구조 및 방법론을 제공할 수 있다. It is possible to provide an optimal structure and methodology for the fusion of multiple inertial measurement sensors.
다중 관성측정센서(Inertial Measurement Unit, IMU)의 최적 구조 및 융합 방법론에 대하여 설명하기로 한다. 관성 측정 센서의 경우, 서로 직교하는 3가지의 축 (X,Y,Z)가 존재하며 해당 각 축에 부착된 센서에 감지된 움직임 정보를 사용하여 센서의 각속도 및 가속도를 산출한다. 이때, 각 축에서 발생하는 서로 다른 편향값와 노이즈를 보상하는 과정이 정확도에 필수적이고 성능에 큰 영향을 준다.The optimal structure and fusion methodology of the multi-inertial measurement unit (IMU) will be described. In the case of an inertial measurement sensor, there are three axes (X, Y, Z) that are orthogonal to each other, and the angular velocity and acceleration of the sensor are calculated using the motion information detected by the sensor attached to each axis. At this time, the process of compensating for different deflection values and noise generated in each axis is essential for accuracy and has a great influence on performance.
하지만, 단일 관성 측정 센서의 경우, 각 축이 하나씩 존재하므로 서로 다른 축의 값을 보상하는게 불가능하고, 종래의 다중 관성 측정 센서의 경우도 동일 축으로 배열이 되어 있어 충분히 값을 보상하는데 한계가 있다. However, in the case of a single inertial measurement sensor, since each axis exists one by one, it is impossible to compensate the values of different axes, and in the case of a conventional multi-inertial measurement sensor, there is a limit to sufficiently compensate the values because they are arranged on the same axis.
따라서, 본 발명은 이러한 다중 관성 측정 센서의 축을 서로 엇갈리게 배열하여 각 축들의 값이 서로 유기적으로 편향치와 노이즈를 보상할 수 있도록 하는 구조와 해당 구조에서의 각 축 간의 상대적 회전 움직임을 추정 및 융합하는 알고리즘을 제안한다. Therefore, the present invention provides a structure in which the axes of the multi-inertial measurement sensor are alternately arranged so that the values of each axis can organically compensate for deflection and noise with each other, and the relative rotational motion between each axis in the structure is estimated and fused We propose an algorithm that
구체적으로, 서로 다른 관성측정센서 값을 각 X,Y,Z축이 엇갈리도록 구조를 배치한다. 각 센서에서 측정된 각속도 값들의 차이를 최소화시키는 센서간 3차원 회전 변환 파라미터를 비선형적 최적화(non-linear optimization) 방식으로 추정한다. 추정된 회전 변환 파라미터를 통하여 각속도 및 가속도 값을 동일축 상으로 변환하여 재정렬한다. 재정렬된 센서 값들의 평균과 분산을 Extended Kalman Filter(EKF) 방식으로 계산하여, 각각 최종 센서값과 신뢰도값으로 산출한다.Specifically, the structure is arranged so that the X, Y, and Z axes of each of the different inertial measurement sensor values are crossed. A three-dimensional rotation conversion parameter between sensors that minimizes the difference between the angular velocity values measured by each sensor is estimated by a non-linear optimization method. Angular velocity and acceleration values are converted on the same axis through the estimated rotation transformation parameters and rearranged. The mean and variance of the rearranged sensor values are calculated by the Extended Kalman Filter (EKF) method, and are calculated as the final sensor value and reliability value, respectively.
본 발명을 통해 다중 관성측정센서가 다양한 움직임에도 서로 상보적으로 편향값과 노이즈를 제거하여 저가의 관성측정센서 장비의 성능을 고가의 관성측정센서와 유사토록 향상 시켜 비용적 절감을 가능케하는 효과가 있다. 본 발명은 선행연구로써 발명된 시스템을 다양한 센서융함 기술과 연계하여 개발할 수 있다. 구체적으로 종래의 관성측정센서 기반 자세 추정 시스템, 영상 및 관성측정센서의 자세 추정 시스템, GPS와 관성측정 센서 기반 네비게이션 등의 다양한 관련 분야의 성능을 향상시키는데 도움을 줄 수 있다.Through the present invention, the multi-inertial measurement sensor complementarily removes the deflection value and noise even in various movements to improve the performance of the low-cost inertial measurement sensor to be similar to that of the expensive inertial measurement sensor, thereby enabling cost savings. have. The present invention can develop a system invented as a prior research in connection with various sensor fusion technologies. Specifically, it can help to improve the performance of various related fields, such as a conventional inertial measurement sensor-based attitude estimation system, an image and an inertial measurement sensor attitude estimation system, and GPS and inertial measurement sensor-based navigation.
도 1은 일 실시예에 있어서, 다중 관성 측정 센서의 raw 값을 나타낸 도면이다.
도 2는 일 실시예에 있어서, 센서간의 상대적 자세를 사용해 동일축으로 재정렬한 관성 측정 센서들의 값을 나타낸 도면이다.
도 3은 일 실시예에 있어서, 융합된 센서값을 나타낸 도면이다.
도 4는 일 실시예에 있어서, 융합된 센서값의 신뢰도 값을 나타낸 도면이다.
도 5는 일 실시예에 있어서, 구축된 다중관성 측정 센서(주황색)의 물리적 상관관계에 관한 도면이다.1 is a diagram illustrating raw values of a multi-inertial measurement sensor according to an embodiment.
2 is a diagram illustrating values of inertial measurement sensors rearranged on the same axis using relative postures between the sensors, according to an embodiment.
3 is a diagram illustrating a fused sensor value according to an embodiment.
4 is a diagram illustrating a reliability value of a fused sensor value, according to an embodiment.
5 is a diagram of a physical correlation of a built multi-inertial measurement sensor (orange) according to an embodiment.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings.
기존 다중 관성측정센서의 융합 기술이 존재하나, 센서 간의 기하학적 구조 및 축의 편향값을 고려한 구조 디자인 등이 효과적으로 개발되지 않은 한계가 존재함. 따라서 본 발명은 이러한 기존의 기술 한계를 극복하도록 고안되었다.Although there exists a fusion technology of the existing multi-inertial measurement sensor, there is a limitation that the structural design considering the geometric structure between the sensors and the deflection value of the axis has not been effectively developed. Therefore, the present invention is designed to overcome these existing technical limitations.
도 1은 일 실시예에 있어서, 다중 관성 측정 센서의 raw 값을 나타낸 도면이고, 도 2는 일 실시예에 있어서, 센서간의 상대적 자세를 사용해 동일축으로 재정렬한 관성 측정 센서들의 값을 나타낸 도면이고, 도 3은 일 실시예에 있어서, 융합된 센서값을 나타낸 도면이고, 도 4는 일 실시예에 있어서, 융합된 센서값의 신뢰도 값을 나타낸 도면이고, 도 5는 일 실시예에 있어서, 구축된 다중관성 측정 센서(주황색)의 물리적 상관관계에 관한 도면이다.1 is a view showing the raw values of the multi-inertial measurement sensor according to an embodiment, and FIG. 2 is a diagram showing the values of the inertial measurement sensors rearranged in the same axis using the relative postures between the sensors in an embodiment, , FIG. 3 is a diagram showing a fused sensor value in an embodiment, FIG. 4 is a diagram showing a reliability value of a fused sensor value in an embodiment, and FIG. 5 is an embodiment, construction It is a diagram about the physical correlation of the multi-inertial measurement sensor (orange).
실시예에서는 다중 관성측정센서(Inertial Measurement Unit, IMU)의 최적 구조 및 융합 방법론에 대하여 설명하기로 한다. 편향값 및 노이즈 감쇠를 고려한 관성 측정 센서의 최적 구조를 제안한다. 서로 다른 관성측정센서의 상대적 자세 추정 알고리즘을 제안한다. 다중 관성 측정 센서 융합 알고리즘을 제안한다. In the embodiment, an optimal structure and a fusion methodology of a multi-inertial measurement unit (IMU) will be described. We propose an optimal structure of an inertial measurement sensor considering the deflection value and noise attenuation. We propose an algorithm for estimating the relative posture of different inertial sensors. We propose a multi-inertial measurement sensor fusion algorithm.
다중 관성측정센서(Inertial Measurement Unit, IMU)의 최적 구조 및 융합 방법론에 대하여 설명하기로 한다. 관성 측정 센서의 경우, 서로 직교하는 3가지의 축 (X,Y,Z)가 존재하며 해당 각 축에 부착된 센서에 감지된 움직임 정보를 사용하여 센서의 각속도 및 가속도를 산출한다. 이때, 각 축에서 발생하는 서로 다른 편향값와 노이즈를 보상하는 과정이 정확도에 필수적이고 성능에 큰 영향을 준다.The optimal structure and fusion methodology of the multi-inertial measurement unit (IMU) will be described. In the case of an inertial measurement sensor, there are three axes (X, Y, Z) that are orthogonal to each other, and the angular velocity and acceleration of the sensor are calculated using the motion information detected by the sensor attached to each axis. At this time, the process of compensating for different deflection values and noise generated in each axis is essential for accuracy and has a great influence on performance.
하지만, 단일 관성 측정 센서의 경우, 각 축이 하나씩 존재하므로 서로 다른 축의 값을 보상하는게 불가능하고, 종래의 다중 관성 측정 센서의 경우도 동일 축으로 배열이 되어 있어 충분히 값을 보상하는데 한계가 있다. However, in the case of a single inertial measurement sensor, since each axis exists one by one, it is impossible to compensate the values of different axes, and in the case of a conventional multi-inertial measurement sensor, there is a limit to sufficiently compensate the values because they are arranged on the same axis.
따라서, 본 발명은 이러한 다중 관성 측정 센서의 축을 서로 엇갈리게 배열하여 각 축들의 값이 서로 유기적으로 편향치와 노이즈를 보상할 수 있도록 하는 구조와 해당 구조에서의 각 축 간의 상대적 회전 움직임을 추정 및 융합하는 알고리즘을 제안한다. Therefore, the present invention provides a structure in which the axes of the multi-inertial measurement sensor are alternately arranged so that the values of each axis can organically compensate for deflection and noise with each other, and the relative rotational motion between each axis in the structure is estimated and fused We propose an algorithm that
구체적으로, 서로 다른 관성측정센서 값을 각 X,Y,Z축이 엇갈리도록 구조를 배치한다. 각 센서에서 측정된 각속도 값들의 차이를 최소화시키는 센서간 3차원 회전 변환 파라미터를 비선형적 최적화(non-linear optimization) 방식으로 추정한다. 추정된 회전 변환 파라미터를 통하여 각속도 및 가속도 값을 동일축 상으로 변환하여 재정렬한다. 재정렬된 센서 값들의 평균과 분산을 Extended Kalman Filter(EKF) 방식으로 계산하여, 각각 최종 센서값과 신뢰도값으로 산출한다.Specifically, the structure is arranged so that the X, Y, and Z axes of each of the different inertial measurement sensor values are crossed. A three-dimensional rotation conversion parameter between sensors that minimizes the difference between the angular velocity values measured by each sensor is estimated by a non-linear optimization method. Angular velocity and acceleration values are converted on the same axis through the estimated rotation transformation parameters and rearranged. The mean and variance of the rearranged sensor values are calculated by the Extended Kalman Filter (EKF) method, and are calculated as the final sensor value and reliability value, respectively.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or apparatus, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible from the above description by those skilled in the art. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200175219A KR20220085282A (en) | 2020-12-15 | 2020-12-15 | optimal structure and fusion methodology for multiple inertial measurement units |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200175219A KR20220085282A (en) | 2020-12-15 | 2020-12-15 | optimal structure and fusion methodology for multiple inertial measurement units |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220085282A true KR20220085282A (en) | 2022-06-22 |
Family
ID=82216349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200175219A KR20220085282A (en) | 2020-12-15 | 2020-12-15 | optimal structure and fusion methodology for multiple inertial measurement units |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20220085282A (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240027440A (en) | 2022-08-23 | 2024-03-04 | 중부대학교 산학협력단 | Method for reducing quantization error using multi inertial measurement unit fusion |
-
2020
- 2020-12-15 KR KR1020200175219A patent/KR20220085282A/en unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240027440A (en) | 2022-08-23 | 2024-03-04 | 중부대학교 산학협력단 | Method for reducing quantization error using multi inertial measurement unit fusion |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102463176B1 (en) | Device and method to estimate position | |
Ludwig et al. | Comparison of Euler estimate using extended Kalman filter, Madgwick and Mahony on quadcopter flight data | |
Schmid et al. | Autonomous vision‐based micro air vehicle for indoor and outdoor navigation | |
Weiss et al. | Monocular vision for long‐term micro aerial vehicle state estimation: A compendium | |
KR101831028B1 (en) | Method and apparatus for relocation of mobile robot in indoor environment | |
JP5258362B2 (en) | Fault detection, isolation, and reconfiguration of inertial measurement devices using parity logic | |
JP4170284B2 (en) | Method and system for estimating moving direction of moving object | |
Angelino et al. | UAV position and attitude estimation using IMU, GNSS and camera | |
Shen et al. | Initialization-free monocular visual-inertial state estimation with application to autonomous MAVs | |
Alam et al. | A comparative analysis of orientation estimation filters using MEMS based IMU | |
JP2008076389A (en) | Navigation system and navigation method | |
KR20060048581A (en) | System for navigation redundancy | |
Poddar et al. | PSO aided adaptive complementary filter for attitude estimation | |
CN110109551B (en) | Gesture recognition method, device, equipment and storage medium | |
Leccadito et al. | A kalman filter based attitude heading reference system using a low cost inertial measurement unit | |
EP3732549B1 (en) | Method for predicting a motion of an object and method for generating a virtual reality view | |
WO2019202806A1 (en) | Self-location estimation method | |
KR101096113B1 (en) | Navigation system having enhanced reliability and method thereof | |
CN112652001A (en) | Underwater robot multi-sensor fusion positioning system based on extended Kalman filtering | |
KR20220085282A (en) | optimal structure and fusion methodology for multiple inertial measurement units | |
Kao et al. | Design and analysis of an orientation estimation system using coplanar gyro-free inertial measurement unit and magnetic sensors | |
Koch et al. | Multi-sensor robust relative estimation framework for GPS-denied multirotor aircraft | |
Chen et al. | Perception system design for low-cost commercial ground robots: Sensor configurations, calibration, localization and mapping | |
KR20210000095A (en) | Method for posture estimation and apparatus thereof | |
KR102589970B1 (en) | Method and apparatus for determining object position |