AirIO: Learning Inertial Odometry with Enhanced IMU Feature Observability

要約

慣性療法（IO）のみ慣性測定ユニット（IMUS）を使用した慣性臭気（IO）は、無人航空機（UAV）アプリケーションに軽量で費用対効果の高いソリューションを提供しますが、既存の学習ベースのIOモデルは、非常に動的で非非動的でUAVに一般化できないことがよくあります。
– 歩行者の動きとは異なる線形飛行パターン。
この作業では、生のIMUデータをグローバル座標に変換する従来の実践が、UAVの重要な運動情報の観察性を損なうことを明らかにしていることを特定します。
ボディフレーム表現を保存することにより、この方法は大幅なパフォーマンスの改善を達成し、3つのデータセットで平均精度が66.7％増加します。
さらに、モーションネットワークに姿勢情報を明示的にエンコードすると、以前の結果よりも23.8％の改善がさらになります。
データ駆動型のIMU補正モデル（AIRIMU）と不確実性を認識した拡張カルマンフィルター（EKF）と組み合わせて、私たちのアプローチは、外部センサーや制御入力に依存せずに積極的なUAV操作の下で堅牢な状態推定を保証します。
特に、私たちの方法は、トレーニングセットに含まれていない目に見えないデータに対する強力な一般化可能性も示しており、実際のUAVアプリケーションの可能性を強調しています。

要約(オリジナル)

Inertial odometry (IO) using only Inertial Measurement Units (IMUs) offers a lightweight and cost-effective solution for Unmanned Aerial Vehicle (UAV) applications, yet existing learning-based IO models often fail to generalize to UAVs due to the highly dynamic and non-linear-flight patterns that differ from pedestrian motion. In this work, we identify that the conventional practice of transforming raw IMU data to global coordinates undermines the observability of critical kinematic information in UAVs. By preserving the body-frame representation, our method achieves substantial performance improvements, with a 66.7% average increase in accuracy across three datasets. Furthermore, explicitly encoding attitude information into the motion network results in an additional 23.8% improvement over prior results. Combined with a data-driven IMU correction model (AirIMU) and an uncertainty-aware Extended Kalman Filter (EKF), our approach ensures robust state estimation under aggressive UAV maneuvers without relying on external sensors or control inputs. Notably, our method also demonstrates strong generalizability to unseen data not included in the training set, underscoring its potential for real-world UAV applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google