基于混合专家算法的学习式惯性定位用于自行车定位
机器人学
2025-10-21 v1
摘要
随着共享单车的快速增长和自行车应用的日益多样化，准确的自行车定位已变得至关重要。传统的 GNSS 方法受多路径效应影响，而现有的惯性导航方法依赖精确建模且鲁棒性有限。紧密学习式惯性定位 (TLIO) 通过结合原始 IMU 数据和神经网络预测位移实现低位移漂移，但其高计算成本限制在移动设备上的部署。为克服此限制，我们将 TLIO 扩展至自行车定位，引入改进的混合专家 (MoE) 模型，以减少训练和推理成本。实验表明，与最先进的 LLIO 框架相比，我们的方法在保持可比精度的同时，将参数减少 64.7%，计算成本降低 81.8%。
引用
@article{arxiv.2510.17604,
title = {Learned Inertial Odometry for Cycling Based on Mixture of Experts Algorithm},
author = {Hao Qiao and Yan Wang and Shuo Yang and Xiaoyao Yu and Jian kuang and Xiaoji Niu},
journal= {arXiv preprint arXiv:2510.17604},
year = {2025}
}