十分钟读论文 | KISS-IMU: 自监督惯性里程计的运动平衡学习与不确定性感知推理
KISS-IMU是一种基于深度学习的惯性测量单元(IMU)里程计系统,旨在解决传统IMU里程计在长时间运行中积累误差的问题。该系统通过自监督学习框架、运动平衡采样策略和协方差感知网络设计,实现了在各种运动模式下的鲁棒IMU里程计估计,并提供了可靠的不确定性量化。 #### 主要特点: 1. **自监督学习框架**:利用LiDAR里程计作为伪标签训练IMU去噪网络,无需人工标注真值数据。 2. **运动平衡采样策略**:通过高斯混合模型(GMM)识别和平衡不同运动模式的训练样本分布,避免数据不平衡带来的偏差。 3. **协方差感知推理**:网络不仅能预测去噪后的IMU测量值,还能同时预测其协方差矩阵,提供不确定性信息。 #### 应用效果: - 相比传统IMU预积分方法,绝对位姿误差降低约60%,相对位姿误差降低约50%。 - 实现了高效推理,NVIDIA Jetson Xavier平台可达200Hz以上的推理频率。 #### 开源与部署: - 提供完整的开源实现,支持Docker容器化部署和本地安装。 - 数据集格式要求明确,支持多种公开数据集。 - 推理流程简单,适用于实时IMU去噪和里程计估计。 KISS-IMU为传感器融合系统提供了强大的支持,尤其适合在资源受限的移动机器人和无人机上部署。