Neural Inertial Odometry from Lie Events

要約

ニューラル変位前（NDP）は、慣性臭気のドリフトを減らし、既製のフィルターと容易に融合できる不確実性の推定値を提供できます。
ただし、さまざまなIMUサンプリングレートと軌跡プロファイルに一般化することができず、多様な設定での堅牢性を制限します。
この課題に対処するために、生のIMUデータを含む従来のNDP入力を、入力レートの変化に対して堅牢で、異なる軌跡プロファイルで観察すると好ましいinvarianceを持つ嘘のイベントに置き換えます。
固定速度でサンプリングされた生のIMUデータとは異なり、IMU前統合の変化の標準がSE（3）グループの嘘代数にマッピングされた場合、Lieイベントはしきい値を超えたときにサンプリングされます。
イベントベースのビジョンに触発されて、1Dシグナルでレベルクロスするという概念を、嘘代数のレベルクロスに一般化し、この代数内のバイナリ偏光極性を正規化する嘘極性に一般化します。
これらの極性を組み込んだ嘘のイベントに関するNDPのトレーニングにより、既製の下流の慣性臭トメトリ法の軌道誤差が最大21％減少することを示しています。
IMUSまたはカメラよりも多くのセンサーがイベントベースのサンプリングパラダイムの恩恵を受けることができ、この作業はこの方向の重要な第一歩を踏み出すと推測します。

要約(オリジナル)

Neural displacement priors (NDP) can reduce the drift in inertial odometry and provide uncertainty estimates that can be readily fused with off-the-shelf filters. However, they fail to generalize to different IMU sampling rates and trajectory profiles, which limits their robustness in diverse settings. To address this challenge, we replace the traditional NDP inputs comprising raw IMU data with Lie events that are robust to input rate changes and have favorable invariances when observed under different trajectory profiles. Unlike raw IMU data sampled at fixed rates, Lie events are sampled whenever the norm of the IMU pre-integration change, mapped to the Lie algebra of the SE(3) group, exceeds a threshold. Inspired by event-based vision, we generalize the notion of level-crossing on 1D signals to level-crossings on the Lie algebra and generalize binary polarities to normalized Lie polarities within this algebra. We show that training NDPs on Lie events incorporating these polarities reduces the trajectory error of off-the-shelf downstream inertial odometry methods by up to 21% with only minimal preprocessing. We conjecture that many more sensors than IMUs or cameras can benefit from an event-based sampling paradigm and that this work makes an important first step in this direction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google