本文提出了一种转移学习方法,以重新校准我们先前开发的车轮探针神经网络(WHONET),以在全球导航卫星系统(GNSS)不可用的环境中进行车辆定位。已显示WHONET具有学习车轮速度测量中不确定性的能力,以校正和准确的车辆定位。这些不确定性可能表现为轮胎压力从泥泞和不平坦的地形或车轮滑动中的驾驶变化。但是,关注数据驱动方法(例如WHONET模型)的共同原因通常是无法将模型推广到新车。在机器学习模型在特定领域进行培训但部署在另一个领域的情况下,该模型的性能降低了。在现实生活中,从变化到车辆的动力学到传感器噪声的新模式分布,有几个因素对这种降解有影响,偏见会使测试传感器数据的数据因训练数据而异。因此,挑战是探索允许训练有素的机器学习模型自发适应新车辆域的技术。因此,我们提出了重新校准的轮循环神经网络(R-WHONET),该神经网络将WHONET模型从其源域(最初训练该模型的车辆和环境)适应到目标域(一种新车辆,在其上进行了训练)。训练有素的模型将被部署)。通过在几个GNSS中断场景上进行性能评估 - 短期复杂驾驶方案以及长期GNSS中断方案。我们证明,在源域中训练的模型并不能很好地推广到目标域中的新车辆。但是,我们表明,我们的新提议的框架将WHONET模型对目标域中的新车辆的概括提高了32%。
translated by 谷歌翻译