KISS-IMU：基于动作平衡学习和不确定性感知推断的自监督惯性定位
机器人学
2026-03-09 v1
摘要
惯性测量单元（IMU）提供高频线性加速度和角速度测量，作为机器人系统中的基本感知模态。近期深度神经网络的进展推动了惯性定位的显著进展。然而，对训练期间强烈依赖真实数据的做法从根本上限制了其在未见及多样化环境中的可扩展性和泛化能力。我们提出 KISS-IMU，一个 novel 的自监督惯性定位框架，通过利用简单的 LiDAR 基于 ICP 的配准和姿态图优化作为监督信号，消除了对真实数据的依赖。我们的方案包含两个关键原则：通过动作感知平衡训练保持 IMU 稳定性，以及在推断期间通过不确定性驱动的自适应加权保持 IMU 强大。为评估不同运动模式和场景下的性能，我们在各种真实世界平台上进行了全面实验，包括四足机器人。重要的是，我们仅以自监督方式训练 IMU 网络，LiDAR 仅作为轻量级监督信号，无需额外的可学习过程。该设计使框架能够在不依赖联合多模态学习或真实数据监督的情况下确保鲁棒性。补充材料可访问于 https://sparolab.github.io/research/kiss_imu。
引用
@article{arxiv.2603.06205,
title = {KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference},
author = {Jiwon Choi and Hogyun Kim and Geonmo Yang and Juhui Lee and Younggun Cho},
journal= {arXiv preprint arXiv:2603.06205},
year = {2026}
}
备注
8 pages, 9 figures