EqNIO: Subequivariant Neural Inertial Odometry

要約

ニューラル ネットワークは、純粋な慣性オドメトリで急速に採用されており、汎用慣性測定ユニット (IMU) からの加速度計とジャイロスコープの測定値が、変位と関連する不確実性を回帰するために使用されます。
彼らは、既製の非線形フィルターを使用して生データと直接融合できる、有益な変位事前分布を学習できます。
それにもかかわらず、これらのネットワークは IMU データに固有の物理的な回転反射対称性を考慮していないため、考えられるすべての運動方向に対して同じ事前分布を記憶する必要があり、これが一般化の妨げとなります。
この研究では、これらの対称性を特徴付け、重力ベクトルを中心に回転し、重力に平行な任意の平面に関して反射すると、IMU データとその結果として生じる変位および共分散が等変に変換されることを示します。
私たちは、3 つのステップでの等変処理を通じて、設計によりこれらの対称性を尊重するニューラル ネットワークを設計します。 まず、IMU データから導出された等変ベクトルと不変スカラーから、等変重力整合フレームを推定します。これは、可換に調整された表現力豊かな線形層と非線形層を活用します。
基礎となる対称変換を使用します。
次に、IMU データをこのフレームにマッピングすることで、既製の慣性オドメトリ ネットワークで直接使用できる不変の正規化を実現します。
最後に、これらのネットワーク出力を元のフレームにマップし直し、それによって等変共分散と変位を取得します。
TLIO およびエンドツーエンドの RONIN アーキテクチャに基づくフィルターベースのアプローチにフレームワークを適用することでフレームワークの汎用性を実証し、TLIO、Aria、RIDI、および OxIOD データセットで既存の手法よりも優れたパフォーマンスを示します。

要約(オリジナル)

Neural networks are seeing rapid adoption in purely inertial odometry, where accelerometer and gyroscope measurements from commodity inertial measurement units (IMU) are used to regress displacements and associated uncertainties. They can learn informative displacement priors, which can be directly fused with the raw data with off-the-shelf non-linear filters. Nevertheless, these networks do not consider the physical roto-reflective symmetries inherent in IMU data, leading to the need to memorize the same priors for every possible motion direction, which hinders generalization. In this work, we characterize these symmetries and show that the IMU data and the resulting displacement and covariance transform equivariantly, when rotated around the gravity vector and reflected with respect to arbitrary planes parallel to gravity. We design a neural network that respects these symmetries by design through equivariant processing in three steps: First, it estimates an equivariant gravity-aligned frame from equivariant vectors and invariant scalars derived from IMU data, leveraging expressive linear and non-linear layers tailored to commute with the underlying symmetry transformation. We then map the IMU data into this frame, thereby achieving an invariant canonicalization that can be directly used with off-the-shelf inertial odometry networks. Finally, we map these network outputs back into the original frame, thereby obtaining equivariant covariances and displacements. We demonstrate the generality of our framework by applying it to the filter-based approach based on TLIO, and the end-to-end RONIN architecture, and show better performance on the TLIO, Aria, RIDI and OxIOD datasets than existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google