用于神经惯性追踪的跨域物理运动迁移
机器学习
2018-10-05 v1 计算机视觉与模式识别
机器人学
机器学习
摘要
惯性信息处理在移动智能体的自我运动感知中起着关键作用，因为惯性测量完全是自我中心的且不依赖于环境。然而，它们受传感器放置/朝向或运动动力学的改变影响很大，且从每个域收集标注数据是不可行的。为克服长传感序列上域适应的挑战，我们提出一种新颖框架，从任意域的原始序列中提取域不变特征，并在无任何配对数据的情况下转换到新域。通过实验，我们证明该框架能够高效地将来自新的未标注目标域的原始序列转换为准确的惯性轨迹，受益于从标注源域迁移的物理运动知识。我们还进行了真实世界实验，表明我们的框架可从以标准手机在各种佩戴方式下获取的原始 IMU 测量中重建具有物理意义的轨迹。
引用
@article{arxiv.1810.02076,
title = {Transferring Physical Motion Between Domains for Neural Inertial Tracking},
author = {Changhao Chen and Yishu Miao and Chris Xiaoxuan Lu and Phil Blunsom and Andrew Markham and Niki Trigoni},
journal= {arXiv preprint arXiv:1810.02076},
year = {2018}
}
备注
NIPS 2018 workshop on Modeling the Physical World: Perception, Learning, and Control. A complete version will be released soon