NeurIT: Pushing the Limit of Neural Inertial Tracking for Indoor Robotic IoT

要約

慣性追跡はロボット IoT にとって不可欠であり、低コストの慣性測定ユニット (IMU) と深層学習を活用した追跡アルゴリズムの普及のおかげで人気が高まっています。
しかし、既存の研究では、IMU 測定、特に磁力計が十分に活用されておらず、深層学習の可能性を最大限に活用して必要な精度を達成することもできていません。
屋内ロボット アプリケーションの追跡精度を向上させるために、追跡精度を新しいレベルに引き上げるシーケンスツーシーケンス フレームワークである NeurIT を導入します。
NeurIT は、コアに時間-周波数ブロック再帰型トランスフォーマー (TF-BRT) を採用しており、リカレント ニューラル ネットワーク (RNN) とトランスフォーマーの力を組み合わせて、時間領域と周波数領域の両方で代表的な特徴を学習します。
IMU 情報を最大限に活用するために、磁力計のボディフレーム微分を戦略的に採用し、追跡エラーを大幅に削減します。
NeurIT はカスタマイズされたロボット プラットフォームに実装され、さまざまな屋内環境で評価されます。
実験結果は、NeurIT が 300 メートルの距離にわたってわずか 1 メートルの追跡誤差を達成することを示しています。
特に、目に見えないデータに関しては、最先端のベースラインを 48.21% も大幅に上回っています。
NeurIT はまた、視覚に有利な条件では視覚慣性アプローチ (Tango Phone) と同等のパフォーマンスを発揮し、平坦な環境ではそれを上回ります。
私たちは、NeurIT がロボットのユビキタスかつスケーラブルな追跡のための実用的な神経慣性追跡に向けて重要な一歩を踏み出したと信じています。
ソース コードとデータセットを含む NeurIT は、https://github.com/NeurIT-Project/NeurIT でオープンソース化されています。

要約(オリジナル)

Inertial tracking is vital for robotic IoT and has gained popularity thanks to the ubiquity of low-cost Inertial Measurement Units (IMUs) and deep learning-powered tracking algorithms. Existing works, however, have not fully utilized IMU measurements, particularly magnetometers, nor maximized the potential of deep learning to achieve the desired accuracy. To enhance the tracking accuracy for indoor robotic applications, we introduce NeurIT, a sequence-to-sequence framework that elevates tracking accuracy to a new level. NeurIT employs a Time-Frequency Block-recurrent Transformer (TF-BRT) at its core, combining the power of recurrent neural network (RNN) and Transformer to learn representative features in both time and frequency domains. To fully utilize IMU information, we strategically employ body-frame differentiation of the magnetometer, which considerably reduces the tracking error. NeurIT is implemented on a customized robotic platform and evaluated in various indoor environments. Experimental results demonstrate that NeurIT achieves a mere 1-meter tracking error over a 300-meter distance. Notably, it significantly outperforms state-of-the-art baselines by 48.21% on unseen data. NeurIT also performs comparably to the visual-inertial approach (Tango Phone) in vision-favored conditions and surpasses it in plain environments. We believe NeurIT takes an important step forward toward practical neural inertial tracking for ubiquitous and scalable tracking of robotic things. NeurIT, including the source code and the dataset, is open-sourced here: https://github.com/NeurIT-Project/NeurIT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google