EqNIO: Subequivariant Neural Inertial Odometry

目前，神经网络被广泛应用于准确估计惯性测量单元（IMU）数据的2D位移和相关不确定性，这些数据可以被集成到随机滤波器网络（如扩展卡尔曼滤波器（EKF））中作为更新步骤中的测量和不确定性。然而，这种神经网络方法忽略了对模型泛化至关重要的对称性。这种疏忽值得注意，因为（i）在考虑重力轴时，物理定律遵循对称性原则，这意味着物理实体和结果轨迹存在相同的转换，（ii）当惯性参考系改变时，位移应保持等变性。为了解决这个问题，我们提出了一个子等变框架，具体包括：（i）推导基本层，如线性和非线性层，用于处理向量和标量序列的子等变网络，（ii）使用子等变网络预测序列惯性测量的等变参考系。然后，可以通过投影提取不变特征，并将其与任意网络架构集成，（iii）通过参考系变换将不变输出转换为等变位移和协方差。我们在TLIO和Aria数据集的TLIO架构的基于滤波器的方法，以及在RONIN，RIDI和OxIOD数据集的RONIN架构的端到端深度学习方法上展示了我们等变框架的有效性和泛化性。

本论文试图解决从惯性测量单元（IMU）数据中准确估计2D位移和相关不确定性的问题，并提出了一种考虑对称性的子等变框架，以提高模型的泛化能力。

论文提出了一种子等变网络，用于预测惯性测量序列的等变框架，从而提取不变特征并将其与任意网络架构集成，最终通过框架变换获得等变位移和协方差。

论文的亮点包括使用TLIO和Aria数据集的基于过滤器的TLIO架构以及使用RONIN、RIDI和OxIOD数据集的RONIN架构的端到端深度学习方法。此外，论文还提出了一种新的子等变网络，以考虑物理规律中的对称性，从而提高模型的泛化能力。

在该领域的相关研究包括使用神经网络估计位移的方法，但这些方法忽略了对称性原则。