IONext：开启惯性里程计的新纪元
计算机视觉与模式识别
2025-10-14 v2 机器人学
摘要
研究人员越来越多地采用基于 Transformer 的模型进行惯性里程计。虽然 Transformer 擅长建模长程依赖关系，但它们对局部、细粒度运动变化的敏感性有限，且缺乏固有的归纳偏置，这常常阻碍定位精度和泛化能力。近期研究表明，将大核卷积和受 Transformer 启发的架构设计融入 CNN 可以有效扩展感受野，从而改善全局运动感知。受这些见解的启发，我们提出了一种新颖的基于 CNN 的模块，称为双翼自适应动态混合器（DADM），它能够从动态输入中自适应地捕获全局运动模式和局部细粒度运动特征。该模块基于输入动态生成选择性权重，从而实现高效的多尺度特征聚合。为进一步改进时间建模，我们引入了时空门控单元（STGU），它能够在时间域中选择性地提取具有代表性和任务相关性的运动特征。该单元解决了现有 CNN 方法中观察到的时间建模局限性。基于 DADM 和 STGU，我们提出了一种新的基于 CNN 的惯性里程计主干网络，命名为惯性里程计新纪元（IONext）。在六个公开数据集上的大量实验表明，IONext 持续优于最先进的基于 Transformer 和 CNN 的方法。例如，在 RNIN 数据集上，与代表性模型 iMOT 相比，IONext 将平均 ATE 降低了 10%，平均 RTE 降低了 12%。
引用
@article{arxiv.2507.17089,
title = {IONext: Unlocking the Next Era of Inertial Odometry},
author = {Shanshan Zhang and Qi Zhang and Siyue Wang and Tianshui Wen and Liqin Wu and Ziheng Zhou and Xuemin Hong and Ao Peng and Lingxiang Zheng and Yu Yang},
journal= {arXiv preprint arXiv:2507.17089},
year = {2025}
}