基于分层学习的 6 自由度 IMU 去偏置
机器人学
2025-04-24 v2
摘要
本文发展了一种深度学习方法，用于在线去偏置 IMU 中的陀螺仪和加速度计。大多数现有方法依赖于隐式学习偏置项来补偿原始 IMU 数据。显式偏置学习最近显示出作为更具可解释性和运动独立性替代方案的潜力。然而，它仍在探索中，面临挑战，尤其是需要地面实验偏置数据，而这类数据极少可用。为此，我们提出了一种神经常微分方程（NODE）框架，通过显式建模连续偏置动力学来实现去偏置，只需姿态地面实验数据（通常在数据集中可用）。通过将标准 NODE 框架扩展至 IMU 运动学的矩阵李群，并采用分层训练策略来实现。两个公开数据集和一个真实实验的验证结果表明，IMU 测量的精度显著提升，纯 IMU 积分和视觉-惯性里程计的误差均显著降低。
引用
@article{arxiv.2504.09495,
title = {Debiasing 6-DOF IMU via Hierarchical Learning of Continuous Bias Dynamics},
author = {Ben Liu and Tzu-Yuan Lin and Wei Zhang and Maani Ghaffari},
journal= {arXiv preprint arXiv:2504.09495},
year = {2025}
}
备注
Accepted by Robotics: Science and Systems, 2025