SSIO：自监督惯性里程计
论文提出积分自监督方案：用短视教师在每个短窗口独立对IMU积分，从零训练惯性里程计模型，学生虽仅受短窗口速度变化监督，却学会直接预测速度且精度超过教师；再用位姿图蒸馏以多窗口位姿图的序列一致目标精炼模型。该方法在新平台部署时无需采集真值轨迹，只需标定IMU并在正常运行中记录数据。在行人、无人机、四足和人形共六个数据集上，无速度或位置标签训练的模型平均速度误差与同架构有监督基线相差0.07 m/s以内。
发布于 10-22 13:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《SSIO: Self-Supervised Inertial Odometry》查看原链
学习面向新平台的惯性里程计通常需要真值轨迹。 我们证明，惯性里程计模型可以改由一个短视教师从零训练：该教师在每个短窗口上独立对IMU积分，这一方案称为积分自监督。 有趣的是，尽管学生仅由短窗口速度变化监督，它却学会直接预测速度，且比其积分教师更准确。
随后，位姿图蒸馏利用来自多窗口位姿图的序列一致目标对模型进行精炼。 因此，在新平台上训练不再需要采集真值轨迹，只需标定IMU并在正常运行期间记录数据。 在涵盖行人、无人机、四足机器人和人形机器人的六个数据集上，同一套无速度或位置标签的流程训练出的模型，其平均速度误差与同架构有监督基线相差0.07 m/s以内。