Diffusion Augmented Data for Inertial-Based Quadrotor Positioning

Noa Cohen

doi:10.1109/TIM.2026.3676175

Diffusion Augmented Data for Inertial-Based Quadrotor Positioning

2026-03-20

0

PRE

AI

DOI：10.1109/TIM.2026.3676175

原文链接

原文求助

摘要

En 中文

惯性测量在运动跟踪和导航系统中发挥着关键作用。近年来，惯性传感和状态估计流水线已引入深度学习算法以提升其性能。此类算法的准确性取决于训练数据集的质量和多样性。然而，大规模惯性数据集的收集仍是一个耗时且资源密集的过程。这一挑战限制了鲁棒惯性传感学习模型的发展。近期，扩散模型作为一种开创性的生成模型类别出现，改变了人工数据的生成方式。它们在处理复杂任务方面展现出优于对抗生成网络和其他当前最佳技术的性能。在本工作中，我们提出了一种基于扩散驱动的框架，用于生成适用于基于惯性的四旋翼定位的合成惯性数据。我们引入了一种新颖的三阶段流水线，利用延迟嵌入将惯性信号转换为图像表示。该方法应用基于视觉的扩散模型，并基于目标回归变量进行条件化处理，进而重建合成时序数据。为验证我们方法的有效性，我们在EuRoC MAV数据集上进行了评估。我们对EuRoC MAV数据集全部11个序列的全面交叉验证评估表明，在训练过程中引入合成惯性数据可显著提升回归性能，位移误差降低10.6%，平均位置误差降低31.1%。这些结果证实，我们的扩散生成模型成功捕捉了惯性运动模式的复杂动力学特性，能够创建多样且逼真的合成数据，在减少对大规模真实世界数据收集依赖的同时，为神经惯性回归网络提供高质量的训练增强。我们的方法通过减少昂贵的真实世界数据收集，为数据受限的四旋翼应用提供了可扩展的解决方案。

Keyword:

Deep learning

delay embedding

inertial sensors

synthetic data generation

Diffusion Augmented Data for Inertial-Based Quadrotor Positioning

摘要

期刊

机构

引用论文