神经惯性回归网络强化：数据驱动视角
机器人学
2026-03-03 v1 信号处理
摘要
惯性传感器是诸多应用中的关键组件，为机器人和日常生活中的关键功能提供动力. 近年来，深度学习显著 advance了惯性感知性能和鲁棒性. 不同领域和平台上都使用深度学习技术来提高网络性能，但目前缺乏统一的基准. 这在标准化框架下进行公平比较和评估，以及在该领域发展方面至关重要. 为填补这一空白，我们定义并深入分析了 13 种数据驱动的技术，用于改进神经惯性回归网络. 重点放在神经网络的三个方面：网络结构、数据增强和数据预处理. 跨六个多样化数据集进行了大量实验，这些数据集来自包括四旋翼机、门、行人和移动机器人在内的 various 平台. 总共分析了超过 1079 分钟的惯性数据，采样频率在 120-200Hz 之间. 我们的结果表明，通过旋转和噪声添加进行数据增强始终能获得最显著的改进. 此外，本研究概述了提高神经惯性回归网络的基准测试策略.
引用
@article{arxiv.2501.01327,
title = {Enhancement of Neural Inertial Regression Networks: A Data-Driven Perspective},
author = {Victoria Khalfin Fekson and Nitsan Pri-Hadash and Netta Palez and Aviad Etzion and Itzik Klein},
journal= {arXiv preprint arXiv:2501.01327},
year = {2026}
}