RIOT：基于低成本 IMU 测量的递归惯性里程计 Transformer 定位方法
机器人学
2023-03-06 v1 人工智能
信号处理
摘要
惯性定位是一项重要技术，因为它能够在外部观测者不可用的条件下实现自运动估计。然而，低成本惯性传感器固有地受到偏置和噪声的污染，这会导致无界误差，使得直接积分求位置难以处理。传统数学方法依赖于先验系统知识、几何理论，并受预定义动力学的约束。深度学习的最新进展受益于日益增长的数据量和计算能力，使得数据驱动的方案能够提供更为全面的理解。现有的深度惯性里程计方案依赖于估计潜在状态（如速度），或依赖于固定的传感器位置和周期性运动模式。在本工作中，我们提出采用传统的状态估计递归方法，并将其应用于深度学习领域。我们的方法在训练过程中融入真实位置先验，在惯性测量和地面真实位移数据上训练，从而实现递归并学习运动特征以及系统误差偏置和漂移。我们提出了两个用于位姿不变深度惯性里程计的端到端框架，利用自注意力来捕获惯性数据中的空间特征和长程依赖。我们将我们的方法与一个自定义的 2 层门控循环单元（Gated Recurrent Unit）进行对比评估，该单元以相同方式在相同数据上训练，并在若干不同用户、设备和活动上测试每种方法。每个网络的序列长度加权相对轨迹误差均值 m，凸显了我们在模型开发中使用的学习过程的有效性。
引用
@article{arxiv.2303.01641,
title = {RIOT: Recursive Inertial Odometry Transformer for Localisation from Low-Cost IMU Measurements},
author = {James Brotchie and Wenchao Li and Andrew D. Greentree and Allison Kealy},
journal= {arXiv preprint arXiv:2303.01641},
year = {2023}
}