AI-IO：基于空气动力学的四旋翼机实时惯性定位
机器人学
2026-03-03 v1
摘要
惯性定位（IO）因其仅依赖惯性测量单元（IMU）而在四旋翼机应用中受到关注，归因于其轻便、低成本及在各类环境下的稳健性能。然而，现有多数基于学习的惯性定位系统要么仅使用IMU数据，要么包含飞行推力等额外动力学相关输入，仍缺乏对潜在物理模型的原则性表述。这种缺乏可解释性阻碍了模型的泛化能力，常限制其精度。本文从不同的视角切入惯性定位学习问题。灵感来自空气动力学模型和IMU测量模型，我们识别出惯性定位所需的关键物理量——旋翼转速测量值，并设计了基于Transformer的惯性定位系统。通过引入旋翼转速测量，该模型使速度预测精度提升36.9%。此外，Transformer架构更有效地利用时序依赖性进行去噪和空气动力学建模，为模型精度带来额外的22.4%提升。为支持评估，我们还提供了一个捕获IMU测量和旋翼转速的高速运动真实四旋翼飞行数据集。最后，结合不确定性感知的扩展卡尔曼滤波（EKF），本框架在多个数据集和实时系统中验证，显示出卓越的精度、泛化能力和实时性能。我们分享代码和数据以促进进一步研究（https://github.com/SJTU-ViSYS-team/AI-IO）。
关键词
引用
@article{arxiv.2603.00597,
title = {AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors},
author = {Jiahao Cui and Feng Yu and Linzuo Zhang and Yu Hu and Danping Zou},
journal= {arXiv preprint arXiv:2603.00597},
year = {2026}
}
备注
8 pages, 8 figures, 2026 IEEE International Conference on Robotics(ICRA 2026)