Revisiting Deep Inertial Odometry: Two Complementary Methods for Drift Reduction

Mauricio Jimenez

doi:10.1109/JSEN.2025.3634088

2026-01-01

PRE

Mauricio Jimenez

Israel Becerra

Ubaldo Ruiz

DOI：10.1109/JSEN.2025.3634088

原文链接

原文求助

摘要

En 中文

在本工作中，我们针对利用深度神经网络从惯性数据估计轨迹时的漂移缓解问题进行研究。我们提出了两种方法以减少误差。第一种方法将经验小波变换（EWT）算法应用于通过多种基于深度学习的方法（6DOF Odometry、IONet、RoNIN和VRIO）估计的轨迹上。第二种方法将参考系从局部转换至全局，从而无需进行姿态估计。我们利用多个公开可用数据集（OxIOD、EUROC、RIDI、RoNIN和VRD），这些数据集均提供了惯性测量单元（IMU）的惯性读数以及相应的地面真实位姿测量值。我们的实验表明，EWT可以通过使用神经网络从估计轨迹中去除低频漂移分量（即模式零），从而成功降低位置估计误差。在OxIOD和VRD数据集中，减去模式零使估计轨迹与地面真实对齐，并降低了平均绝对误差（MAE）。然而，在其他数据集中，改进主要出现在重力轴上，而其他轴上的性能可能会下降。对于评估第二种方法，我们修改了6DOF Odometry和IONet框架，使其在全局参考系中运行，无需估计姿态，这简化了学习目标和损失函数的设计，并在多个数据集中获得了更高的精度。

Keyword:

Deep learning

drift reduction

empirical wavelet transform (EWT)

inertial measurement unit (IMU)

inertial odometry

trajectory estimation