基于李代数事件的神经惯性定位
机器人学
2025-05-16 v1
摘要
神经位移先验 (NDP) 可减少惯性定位的漂移，并提供可直接融合至标准滤波器中的不确定性估计。然而，它们难以泛化至不同的 IMU 采样率和轨迹轮廓，限制了其在多样化场景中的鲁棒性。为此，我们采用鲁棒性更好、在不同轨迹轮廓下观测不变性更优的李代数事件取代传统 NDP 由原始 IMU 数据构成的输入。与固定采样率下的原始 IMU 数据不同，李代数事件是在 IMU 预积分变化范数映射至 SE(3) 群李代数后超过阈值时进行采样。灵感来自事件视觉，我们将一维信号的水平越界概念推广至李代数上的水平越界，并将二元极性推广至该李代数中的归一化李极性。我们表明，基于包含这些极性的李代数事件训练 NDP，可使 off-the-shelf 下游惯性定位方法的轨迹误差降低最高可达 21%，且仅需最小预处理。我们推测，除 IMU 或相机外，许多其他传感器也可受益于基于事件的采样范式，而本工作为此方向的重要第一步。
引用
@article{arxiv.2505.09780,
title = {Neural Inertial Odometry from Lie Events},
author = {Royina Karegoudra Jayanth and Yinshuang Xu and Evangelos Chatzipantazis and Kostas Daniilidis and Daniel Gehrig},
journal= {arXiv preprint arXiv:2505.09780},
year = {2025}
}
备注
accepted at RSS 2025