惯性测量单元（IMU），通常由加速度计和陀螺仪组成；众所周知，它们的数据存在固有误差，源于偏差、随机游走噪声、温度依赖性等，从而产生高度非线性的依赖性。通常，扩展卡尔曼滤波器用于估计和消除这些误差，以稳定测量方向和角速度：但即使这样也不完全准确，因为一些高阶误差被忽略或近似，而且马尔可夫假设忽略了影响比前一个值更早的值，同时预测未来值。IMU 的最高精度通常是在经过严格的工厂校准后获得的（这反过来又使好产品非常昂贵）。
在这样的场景中，递归神经网络在对这些错误进行建模时的适用性如何？假设我的“训练数据”由加速度计和陀螺仪值组成，它们可以融合以获得嘈杂的方向估计，同时，来自另一个传感器（例如，非常准确的 GPS）的更精确的方向估计: 是否可以用 RNN 代替卡尔曼滤波器的功能来进行误差估计和传感器输出预测？
找出答案的唯一方法是尝试一下，但我对此表示怀疑。卡尔曼对“先验”做出特定假设，即关于信号如何随时间相关的性质。这是基于关于运动物理特性以及它如何影响传感器值的知识，以及关于不同类型运动可能性的一些假设。假设模型和假设是准确的，这有助于提供更准确的方向估计。
相反，循环神经网络没有内置知识，也没有有用的“先验”。它没有关于运动物理的模型，也没有假设。原则上，这使它更通用。但在实践中，这意味着，如果你的数据量有限，它可能不太准确。
一般来说，一个强大的先验和有用的模型会很有帮助。在限制中，由于您拥有无限量的数据，您可能不需要模型。但是在数据量有限的情况下，该模型可能会有所帮助。卡尔曼滤波器提供了一个非常合理的模型，当尝试处理来自 IMU 的数据时，我们通常只有有限的数据量。
如果卡尔曼滤波器模型做出的假设与现实不符，则 RNN 可能更有效的地方。然后，您可以想象 RNN 可能会学习动力学，因为它们不假设特定模型，而卡尔曼滤波器被锁定到特定模型中。我并不特别期望这会在实践中发生，但这是有可能的。
总的来说，从第一原则来看，我预计/预测 RNN 不如卡尔曼滤波有效。但这只是猜测/猜测。如果你真的想知道，确定的方法是尝试一些实验。
是的，您可以进行传感器融合，因为您可以在训练期间访问地面实况。
您不应该尝试使用您的 RNN 对错误进行建模。相反，您应该直接构建 MISO RNN 模型（多个输入 -> 你的传感器 | 单个输出 -> 地面实况的估计）。
实际上，您不需要 RNN 模型。在标准 ANN 的帮助下，如果您有训练数据，您可以将输入（陀螺仪、加速度计和初始角度和频率）映射到输出。