論文の概要: DINS-IO: Learned Inertial Odometry via Differentiable INS Consistency
- arxiv url: http://arxiv.org/abs/2607.20232v1
- Date: Wed, 22 Jul 2026 14:52:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.117035
- Title: DINS-IO: Learned Inertial Odometry via Differentiable INS Consistency
- Title（参考訳）: DINS-IO:差別化可能なINS一貫性による慣性オドメトリーの学習
- Authors: Hao Qiao, Yan Wang, Jian Kuang, Xiaoji Niu,
- Abstract要約: 位置ラベルなしで生のIMUストリームから直接慣性オドメトリーを学習するDINS-IOを提案する。
我々は、この制約を、世界共通のバイアスを持つスライドウインドウの最小二乗問題として、閉形式で解き、自己監督的損失として解法残差を用いる。
自己教師ネットワークは、一貫した動きを学習するが、その速度はまだメートル法的に校正されていないため、いくつかのラベル付き軌道から真のメートル法速度に校正する。
- 参考スコア（独自算出の注目度）: 10.120588097901377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The training of learned inertial odometry depends on dense, high-precision position ground truth from motion capture, visual-inertial odometry or SLAM, which is costly and hard to acquire at scale. We propose DINS-IO, which learns inertial odometry directly from raw IMU streams without position labels. Our key insight is that the strapdown INS velocity recursion is a strong, fully differentiable consistency prior: the predicted velocity, rotated into the navigation frame, must agree with the integrated specific force up to an unknown initial velocity and a constant accelerometer bias. We cast this constraint as a sliding-window least-squares problem with a globally shared bias, solve it in closed form, and use the solver residual as a self-supervised loss whose gradient flows back to the network through the analytic solution. To supply this per-sample constraint, we design a high-frequency network that emits dense body-frame velocity at the IMU rate. Since the self-supervised network learns consistent motion but its velocity is not yet metrically calibrated, we calibrate it to true metric velocity from a few labeled trajectories by directly supervising the predicted body-frame velocity and adapting only low-rank (LoRA) patches. On standard benchmarks, DINS-IO pretrained self-supervised and fine-tuned with a small fraction of labels matches or surpasses fully supervised baselines.
- Abstract（参考訳）: 学習した慣性オードメトリーの訓練は、モーションキャプチャー、視覚慣性オードメトリー、SLAMによる、高密度で高精度な地上真実に依存する。
位置ラベルなしで生のIMUストリームから直接慣性オドメトリーを学習するDINS-IOを提案する。
予測速度はナビゲーションフレームに回転し、未知の初期速度と一定の加速度計バイアスまで統合された特定の力と一致しなければなりません。
我々は,この制約を大域的共有バイアスを伴うスライドウインドウ最小二乗問題として,閉形式で解き,解解の残差を解析解を通じてネットワークに回帰する自己教師付き損失として利用した。
このサンプルあたりの制約を供給するために、IMU速度で高密度なボディフレーム速度を発生する高周波ネットワークを設計する。
自己教師ネットワークは、一貫した動きを学習するが、その速度は計量的に校正されていないため、予測されたフレーム速度を直接監視し、ローランク(LoRA)パッチのみを適用することで、いくつかのラベル付き軌道から真の計量速度に校正する。
標準ベンチマークでは、DINS-IOは事前訓練され、少数のラベルがマッチするか、完全に監督されたベースラインを超えている。
関連論文リスト
- UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。
生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
論文 参考訳（メタデータ） (2026-04-15T07:43:06Z) - H-RINS: Hierarchical Tightly-coupled Radar-Inertial Navigation via Smoothing and Mapping [2.3821762993135507]
ミリ波レーダーは、視覚的に劣化した環境で堅牢な知覚を提供する。
レーダー慣性状態推定は本質的にドリフトの影響を受けやすい。
本稿では,密結合型階層型レーダ慣性係数グラフフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-14T20:30:49Z) - KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference [4.238724345383632]
慣性測定ユニット(IMU)は、ロボットシステムにおける基本的なセンシングモダリティとして機能する。
我々は,新しい自己教師型慣性オドメトリーフレームワーク KISS-IMU を提案する。
提案手法は,運動認識バランストレーニングによるIMUの安定維持と,不確実性駆動適応重み付けによるIMUの強化という2つの重要な原則を具体化したものである。
論文 参考訳（メタデータ） (2026-03-06T12:22:14Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - EDI: ESKF-based Disjoint Initialization for Visual-Inertial SLAM Systems [9.937997167972743]
本稿では,高速,高精度,堅牢な視覚慣性初期化のための新しい手法を提案する。
提案手法は,3秒未満で平均5.8%の誤差を実現する。
論文 参考訳（メタデータ） (2023-08-04T19:06:58Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - DM-VIO: Delayed Marginalization Visual-Inertial Odometry [62.746533939737446]
本稿では,遅延残差化とポーズグラフバンドル調整に基づく視覚慣性システムDM-VIOを提案する。
我々は,EuRoC,TUM-VI,および4Seasonsデータセットを用いて,空飛ぶドローン,大規模ハンドヘルド,自動車シナリオからなるシステムの評価を行った。
論文 参考訳（メタデータ） (2022-01-11T18:30:37Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - TLIO: Tight Learned Inertial Odometry [43.17991168599939]
IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。
ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
論文 参考訳（メタデータ） (2020-07-06T03:13:34Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z)
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。