arXiv cs.CL· Yaru Gu, Ting Zou·· 10 小时前AI 评分27
DFIO：将误差状态卡尔曼滤波更新步骤嵌入计算图的可微分滤波惯性里程计框架
Differentiable Filtering for Inertial Odometry
AI 导读
DFIO 将误差状态卡尔曼滤波的更新阶段直接嵌入计算图，在独立预训练后通过可微分测量更新对位移与协方差输出头做联合优化。在行人运动数据集上，其平均绝对平移误差和 1 秒相对平移误差较 TLIO 基线分别降低 13.2% 和 39.6%，较自身预训练版本分别降低 7.7% 和 17.4%。在未校准智能手机惯性数据上，该方法也能有效抑制平移漂移并保持轨迹对齐，源代码将公开。
正文 · AI 翻译
摘要：精确的惯性里程计对自主系统至关重要，但由于传感器噪声和偏置的积分，会产生无界漂移。在 TLIO 等方法中，神经伪测量是独立于其下游滤波器训练的。本文提出用于惯性里程计的可微滤波（DFIO），这是一个将误差状态卡尔曼滤波的更新阶段直接嵌入计算图的学习框架。在独立预训练之后，DFIO 通过可微测量更新，利用后验位置监督联合优化位移和协方差输出头。所提出的系统在包含已校准和未校准惯性测量的公共行人运动数据集上进行了验证。在行人数据集上的实验结果表明，相对于 TLIO 基线，DFIO 将平均绝对平移误差和一秒相对平移误差分别降低了 13.2% 和 39.6%，相对于其预训练版本分别降低了 7.7% 和 17.4%。此外，在未校准智能手机惯性数据上的评估表明，所提出的方法有效缓解了平移漂移，并在高噪声传感器条件下保持了轨迹对齐。源代码将公开提供。
| 评论： | 19 页，4 幅图 |
| 主题： | 机器人学（cs.RO）；计算与语言（cs.CL） |
| 引用为： | arXiv:2611.13517 [cs.RO] |
| （或 arXiv:2611.13517v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13517 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yaru Gu [查看电子邮件]
[v1]
2026 年 11 月 10 日星期二 03:45:28 UTC（1,016 KB）
来源：arXiv cs.CL · arxiv.org