IONet：学习消除惯性里程计中的漂移诅咒

惯性传感器在室内定位中起着关键作用，而室内定位又是普适个人应用的基础。然而，智能手机中常见的低成本惯性传感器受偏置和噪声困扰，当对加速度双重积分以获得位移时，会导致误差无界增长。状态估计中的小误差会传播，使里程计在数秒内几乎无法使用。我们提议打破连续积分的循环，转而将惯性数据分割为独立窗口。挑战变为估计每个窗口的潜在状态，如速度和方向，因为这些无法从传感器数据中直接观测。我们展示了如何将此表述为优化问题，并表明深度循环神经网络如何在广泛测试和附件上产生高精度轨迹，优于最先进的浅层技术。特别地，我们证明IONet能够泛化估计非周期性运动（如购物车或婴儿车）的里程计，这对现有技术是极具挑战的任务。