Традиционные системы пешеходной навигации (PDR) сталкиваются с проблемами при слиянии данных с разных датчиков: из-за разной частоты опроса и нестабильной передачи сигнала возникают ошибки, особенно при высоких ускорениях и резких поворотах. Исследователи из нескольких институтов предложили новый подход на базе рекуррентной нейросети (RNN), способной предсказывать асинхронные потоки данных от сенсоров.
Разработанная система получила название PDRNN. Ее ключевая особенность — модульная архитектура: каждый компонент (оценка ориентации, скорости, расстояния) реализован как независимый ансамбль моделей машинного обучения. Это позволяет при необходимости обновлять или заменять отдельные блоки без переобучения всей системы. В качестве опции для стабилизации используется синхронизация с 5G-сетями.
Для финального определения позиции система объединяет оценки положения, скорости и ориентации, используя также показатели неопределенности. Это повышает устойчивость к шумам и сбоям. Тестирование на динамичных спортивных движениях показало, что PDRNN превосходит по точности как классические алгоритмы, так и другие ML-решения.
Одно из главных преимуществ — отсутствие накопления ошибок, характерного для «черных ящиков» (сквозных нейросетей). Кроме того, PDRNN способна давать прогнозы на краткосрочную перспективу, что полезно в приложениях дополненной реальности или системах экстренного реагирования.
Авторы отмечают, что модульный дизайн делает систему легко адаптируемой к новым типам датчиков или сценариям использования. Несмотря на увеличение сложности, PDRNN обеспечивает лучший контроль над каждым этапом обработки данных.