MoE-Gyro：基于 Mixture of Experts 的 MEMS 陀螺仪自监督超范围重构与去噪
信号处理
2025-11-13 v2 人工智能
摘要
MEMS 陀螺仪在惯性导航和运动控制应用中发挥着关键作用，但通常在测量范围和噪声性能之间存在根本性的权衡。现有的硬件解决方案旨在缓解这一问题，但会引入额外的复杂性、成本和可扩展性挑战。深度学习方法主要关注降低噪声，通常需要精确对齐的真实信号，使其在实际场景中难以部署，并留下该根本性权衡未解决的局面。为此，我们引入了 Mixture of Experts for MEMS Gyroscopes (MoE-Gyro)，一种新型自监督框架，专为同时实现超范围信号重构和噪声抑制而设计。MoE-Gyro 采用两种专家：一种是具有高斯衰减注意力机制用于重构饱和段的超范围重构专家 (ORE)；另一种是利用双分支互补掩码结合 FFT 指导数据增广以实现稳健去噪的去噪专家 (DE)。一个轻量级门控模块动态将输入段路由到合适的专家。此外，现有的评估方法缺乏对多维信号增强的综合标准。为弥合这一差距，我们引入 IMU Signal Enhancement Benchmark (ISEBench)，一个开源的基准平台，包含 GyroPeak-100 数据集和统一的 IMU 信号增强方法评估。我们使用我们提出的 ISEBench 对 MoE-Gyro 进行评估，结果显示该框架将可测量范围从 450 deg/s 扩展到 1500 deg/s，降低偏置不稳定性 98.4%，并实现了最先进的性能，有效解决了惯性感应中长期存在的范围-噪声权衡。
引用
@article{arxiv.2506.06318,
title = {MoE-Gyro: Self-Supervised Over-Range Reconstruction and Denoising for MEMS Gyroscopes},
author = {Feiyang Pan and Shenghe Zheng and Chunyan Yin and Guangbin Dou},
journal= {arXiv preprint arXiv:2506.06318},
year = {2025}
}
备注
Accepted to the NeurIPS 2025 Main Track