Debiasing 6-DOF IMU via Hierarchical Learning of Continuous Bias Dynamics

要約

このホワイトペーパーでは、IMUジャイロスコープと加速度計のオンライン紛争に対する深い学習アプローチを開発します。
ほとんどの既存の方法は、生のIMUデータを補うためにバイアス用語を暗黙的に学習することに依存しています。
明示的なバイアス学習は、最近、より解釈可能で運動に依存しない代替品としての可能性を示しています。
ただし、それは未脱カッティングのままであり、特にめったに利用可能なグラウンドトゥルースバイアスデータの必要性に直面しています。
これに対処するために、連続バイアスダイナミクスを明示的にモデル化するニューラルの通常の微分方程式（ノード）フレームワークを提案します。
これは、階層的トレーニング戦略を使用して、IMU運動学のためにCanonical Node FrameworkをMatrix Lieグループに拡張することによって達成されます。
2つのパブリックデータセットと1つの実際の実験での検証は、IMU測定の大幅な精度の向上を示し、純粋なIMU統合と視覚慣性匂いの両方のエラーを減らします。

要約(オリジナル)

This paper develops a deep learning approach to the online debiasing of IMU gyroscopes and accelerometers. Most existing methods rely on implicitly learning a bias term to compensate for raw IMU data. Explicit bias learning has recently shown its potential as a more interpretable and motion-independent alternative. However, it remains underexplored and faces challenges, particularly the need for ground truth bias data, which is rarely available. To address this, we propose a neural ordinary differential equation (NODE) framework that explicitly models continuous bias dynamics, requiring only pose ground truth, often available in datasets. This is achieved by extending the canonical NODE framework to the matrix Lie group for IMU kinematics with a hierarchical training strategy. The validation on two public datasets and one real-world experiment demonstrates significant accuracy improvements in IMU measurements, reducing errors in both pure IMU integration and visual-inertial odometry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google