RIO：基于旋转等变监督学习的鲁棒惯性里程计
机器学习
2021-11-24 v1 机器学习
摘要
本文引入旋转等变性（rotation-equivariance）作为自监督信号来训练惯性里程计模型。我们证明该自监督方案在训练阶段及推理阶段均提供强大的监督信号。它减少了对大量标注数据训练鲁棒模型的依赖，并使利用各种无标注数据更新模型成为可能。进一步，我们提出基于不确定性估计的自适应测试时训练（TTT）以增强惯性里程计对各种未见数据的泛化能力。实验表明，仅用30%数据训练的旋转等变监督惯性里程计（RIO）取得了与用全数据库训练的模型相当的性能。自适应TTT在所有情况下均提升模型性能，并在若干场景下带来超过25%的改进。
引用
@article{arxiv.2111.11676,
title = {RIO: Rotation-equivariance supervised learning of robust inertial odometry},
author = {Caifa Zhou and Xiya Cao and Dandan Zeng and Yongliang Wang},
journal= {arXiv preprint arXiv:2111.11676},
year = {2021}
}
备注
12 pages, 17 figures, 2 tables