Uso de modelos de redes lstm para redução de ruído em sensores de unidade de medição inercial para simuladores

Abstract

Este trabalho consiste em uma abordagem para a estabilização dos dados coletados de sensores Inertial Measurement Unit (IMU) de baixo custo. Atualmente, os avanços al cançados no uso do Aprendizado de Máquina são relevantes para o refinamento da esta bilização de curto e longo prazo, utilizando o modelo Long Short-Term Memory (LSTM) para corrigir os ruídos adicionados aos valores causados por interferências parasitárias de campos eletromagnéticos, que causam instabilidade e derivação constante na orien tação dos sensores. Essa abordagem foi combinada com os métodos convencionais de filtro de remoção de ruídos e filtros passa-baixa, pois o uso desses métodos é um ponto de partida fundamental para a solução proposta de refinamento dos dados coletados dos sensores inerciais para a simulação. A proposta de treinar o modelo e aplicá-lo nos da dos dinâmicos provenientes do sensor pode ser de grande relevância em projetos de baixo custo, ao aumentar o ganho de precisão com a tecnologia embarcada no software, em detrimento da necessidade de investimento em hardware de alta precisão, resultando em altos custos de projeto. Os resultados deste trabalho são consideráveis para a aplicação em simuladores que utilizam plataformas de movimento ou armas de tiro simuladas, ou para a aplicação em estruturas ou hardwares reais, como Veículos Aéreos Não Tripula dos(VANT), plataformas estruturais de grande porte, robótica, dentre outros no campo da indústria e da engenharia