論文の概要: AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors

• arxiv url: http://arxiv.org/abs/2603.00597v1
• Date: Sat, 28 Feb 2026 11:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.781321
• Title: AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors
• Title（参考訳）: AI-IO: 空気力学にインスパイアされたクアドロレータのリアルタイム慣性オドメトリー
• Authors: Jiahao Cui, Feng Yu, Linzuo Zhang, Yu Hu, Danping Zou,
• Abstract要約: 慣性オドメトリー(IO)は、慣性測定単位(IMU)のみに依存するため、四重項応用において注目を集めている。 本研究では,慣性オドメトリー学習問題に対して,異なる視点からアプローチする。 ロータ速度測定を取り入れることで,速度予測精度を36.9%向上する。
• 参考スコア（独自算出の注目度）: 7.235882639523209
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Inertial Odometry (IO) has gained attention in quadrotor applications due to its sole reliance on inertial measurement units (IMUs), attributed to its lightweight design, low cost, and robust performance across diverse environments. However, most existing learning-based inertial odometry systems for quadrotors either use only IMU data or include additional dynamics-related inputs such as thrust, but still lack a principled formulation of the underlying physical model to be learned. This lack of interpretability hampers the model's ability to generalize and often limits its accuracy. In this work, we approach the inertial odometry learning problem from a different perspective. Inspired by the aerodynamics model and IMU measurement model, we identify the key physical quantity--rotor speed measurements required for inertial odometry and design a transformer-based inertial odometry. By incorporating rotor speed measurements, the proposed model improves velocity prediction accuracy by 36.9%. Furthermore, the transformer architecture more effectively exploits temporal dependencies for denoising and aerodynamics modeling, yielding an additional 22.4% accuracy gain over previous results. To support evaluation, we also provide a real-world quadrotor flight dataset capturing IMU measurements and rotor speed for high-speed motion. Finally, combined with an uncertainty-aware extended Kalman filter (EKF), our framework is validated across multiple datasets and real-time systems, demonstrating superior accuracy, generalization, and real-time performance. We share the code and data to promote further research (https://github.com/SJTU-ViSYS-team/AI-IO).
• Abstract（参考訳）: 慣性オドメトリー (IO) は、慣性測定ユニット (IMU) にのみ依存していることから、その軽量な設計、低コスト、様々な環境における堅牢な性能に起因して、クォーター応用において注目を集めている。 しかし、既存の四元数に対する学習に基づく慣性オドメトリーシステムの多くは、IMUデータのみを使用するか、スラストのような動的な入力を含むが、基礎となる物理モデルの原則的な定式化はいまだに存在しない。 この解釈可能性の欠如は、モデルが一般化し、しばしば精度を制限できる能力を損なう。 本研究では,慣性オドメトリー学習問題に対して,異なる視点からアプローチする。 空気力学モデルとIMU測定モデルに着想を得て,慣性オードメトリーに必要な物理量-回転速度の測定値を特定し,変圧器を用いた慣性オードメトリーを設計する。 ロータ速度測定を取り入れることで,速度予測精度を36.9%向上する。 さらに、トランスアーキテクチャは、より効果的に時間依存性を利用してデノイングと空気力学のモデリングを行い、以前の結果よりも22.4%精度が向上した。 評価を支援するため,IMU計測とローターの速度を高速な動作で計測する実世界の4軸飛行データセットも提供する。 最後に、不確実性を認識した拡張Kalmanフィルタ(EKF)と組み合わせて、複数のデータセットやリアルタイムシステムにまたがってフレームワークを検証し、より優れた精度、一般化、リアルタイムパフォーマンスを示す。 我々は、さらなる研究を促進するためのコードとデータを共有している(https://github.com/SJTU-ViSYS-team/AI-IO)。

関連論文リスト

• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• AirIMU: Learning Uncertainty Propagation for Inertial Odometry [29.093168179953185]
  ストラップダウン慣性測定装置(IMU)を用いた慣性計測(IO)は多くのロボット応用において重要である。 データ駆動手法により不確実性、特に非決定論的誤差を推定するハイブリッド手法であるAirIMUを提案する。 ハンドヘルドデバイス,車両,および262kmの軌道をカバーするヘリコプターなど,さまざまなプラットフォーム上での有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-07T17:08:22Z)
• A physics-informed machine learning model for reconstruction of dynamic loads [0.0]
  本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。 このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。 開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
  論文  参考訳（メタデータ） (2023-08-15T18:33:58Z)
• Multi-Visual-Inertial System: Analysis, Calibration and Estimation [26.658649118048032]
  マルチビジュアル・慣性システム(MVIS)の状態を推定し,センサ融合アルゴリズムを開発した。 我々は、関連する視覚慣性センサーの完全な校正に興味を持っている。
  論文  参考訳（メタデータ） (2023-08-10T02:47:36Z)
• Machine learning enhanced real-time aerodynamic forces prediction based on sparse pressure sensor inputs [7.112725255953468]
  本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。 本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-05-16T06:15:13Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)
• IMU Preintegrated Features for Efficient Deep Inertial Odometry [0.0]
  慣性計測装置(IMU)は、様々なガジェットやロボットプラットフォームで、ユビキタスな固有受容運動測定装置として利用可能である。 これらのデータのみに基づく幾何学的変換やオードメトリの直接推論は難しい作業である。 本稿では, 深部慣性計測における生IMUデータの代替として, IMUプリインテグレーション機能を提案する。
  論文  参考訳（メタデータ） (2020-07-06T17:58:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。