AirIMU: Learning Uncertainty Propagation for Inertial Odometry

要約

ストラップダウン慣性計測ユニット (IMU) を使用した慣性オドメトリ (IO) は、正確な方向と位置の追跡が不可欠な多くのロボット アプリケーションで重要です。
従来の運動学的な運動モデルベースの IO 手法では、単純化された線形化された IMU ノイズ モデルが使用されることが多く、環境の乱れや機械的欠陥から生じる非決定的なエラーをモデル化する際に困難が生じます。
対照的に、データ駆動型 IO 手法はセンサーの動きを正確にモデル化するのに苦労しており、多くの場合、汎用性と相互運用性の問題が発生します。
これらの課題に対処するために、データ駆動型手法によって不確実性、特に非決定的誤差を推定し、モデルベースの手法を使用して一般化能力を高めるハイブリッド アプローチである AirIMU を紹介します。
私たちは、低コストの自動車グレードからハイエンドのナビゲーション グレードに至るまで、あらゆる IMU を使用して AirIMU の適応性を実証します。
また、携帯端末、車両、262 キロメートルの軌道をカバーするヘリコプターなど、さまざまなプラットフォームでの有効性も検証しています。
アブレーション研究では、IMU-GPS ポーズ グラフ最適化実験で学習した不確実性の有効性を検証し、精度で 31.6\% の向上を達成しました。
実験では、IMU ノイズ補正と不確実性推定を共同トレーニングすると、両方のタスクに相乗効果が得られることが実証されています。

要約(オリジナル)

Inertial odometry (IO) using strap-down inertial measurement units (IMUs) is critical in many robotic applications where precise orientation and position tracking are essential. Prior kinematic motion model-based IO methods often use a simplified linearized IMU noise model and thus usually encounter difficulties in modeling non-deterministic errors arising from environmental disturbances and mechanical defects. In contrast, data-driven IO methods struggle to accurately model the sensor motions, often leading to generalizability and interoperability issues. To address these challenges, we present AirIMU, a hybrid approach to estimate the uncertainty, especially the non-deterministic errors, by data-driven methods and increase the generalization abilities using model-based methods. We demonstrate the adaptability of AirIMU using a full spectrum of IMUs, from low-cost automotive grades to high-end navigation grades. We also validate its effectiveness on various platforms, including hand-held devices, vehicles, and a helicopter that covers a trajectory of 262 kilometers. In the ablation study, we validate the effectiveness of our learned uncertainty in an IMU-GPS pose graph optimization experiment, achieving a 31.6\% improvement in accuracy. Experiments demonstrate that jointly training the IMU noise correction and uncertainty estimation synergistically benefits both tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google