CTIN：面向惯性导航的鲁棒上下文 Transformer 网络
机器人学
2021-12-22 v2 人工智能
摘要
近来，数据驱动的惯性导航方法已展现出利用训练良好的神经网络从惯性测量单元（IMU）测量中获得准确位置估计的能力。本文中，我们提出一种新颖的基于鲁棒上下文 Transformer 的惯性导航网络（CTIN）来准确预测速度与轨迹。为此，我们首先设计了一个基于 ResNet 的编码器，并通过局部与全局多头自注意力增强，以从 IMU 测量中捕获空间上下文信息。随后，我们利用 Transformer 解码器中的多头注意力将这些空间表示与 temporal 知识相融合。最后，采用带不确定性削减的多任务学习来提升速度与轨迹的学习效率和预测精度。通过在广泛惯性数据集（如 RIDI、OxIOD、RoNIN、IDOL 及我们自建的）上的大量实验，CTIN 表现出极强的鲁棒性，并优于当前最优模型。
引用
@article{arxiv.2112.02143,
title = {CTIN: Robust Contextual Transformer Network for Inertial Navigation},
author = {Bingbing Rao and Ehsan Kazemi and Yifan Ding and Devu M Shila and Frank M. Tucker and Liqiang Wang},
journal= {arXiv preprint arXiv:2112.02143},
year = {2021}
}
备注
Accepted as technical research paper in 36th AAAI Conference on Artificial Intelligence, 2022