Neur IT:推动室内机器人物联网中神经惯性跟踪技术的极限

《IEEE Transactions on Mobile Computing》:Neur IT: Pushing the Limit of Neural Inertial Tracking for Indoor Robotic IoT

【字体: 大 中 小 】 时间:2025年12月08日 来源:IEEE Transactions on Mobile Computing 9.2

编辑推荐:

  NeurIT采用时间-频率块循环Transformer融合时频特征,结合IMU磁力计数据优化,实现300米内1米误差,显著优于现有基准,并在复杂场景中表现稳健。

  

摘要:

惯性跟踪对于机器人物联网(IoT)至关重要,其普及得益于低成本惯性测量单元(IMUs)和基于深度学习的跟踪算法的广泛应用。然而,现有的研究并未充分利用IMUs的测量数据,尤其是磁力计的数据,也未充分发挥深度学习的潜力以实现所需的精度。为了解决这些问题,我们提出了NeurIT算法,该算法将跟踪精度提升到了一个新的水平。NeurIT的核心是一种时频块循环变换器(TF-BRT),它结合了循环神经网络(RNN)和变换器(Transformer)的功能,能够在时间和频率域中学习到具有代表性的特征。为了充分利用IMU的信息,我们采用了磁力计的机体坐标系与全局坐标系之间的差异化处理方法,显著降低了跟踪误差。我们在一个定制的机器人平台上实现了NeurIT,并在多种室内环境中进行了测试。实验结果表明,NeurIT在300米的距离内仅产生了1米的跟踪误差。值得注意的是,在未见过的数据上,其性能比现有的最先进方法高出48.21%。此外,NeurIT在大型城市环境中表现出良好的鲁棒性,在视觉条件优越的情况下与视觉-惯性结合方案(如Tango Phone)表现相当,而在特征稀疏的环境中则优于后者。我们认为,NeurIT为实用化的神经惯性跟踪技术迈出了重要一步,有助于实现机器人设备的普遍和可扩展的跟踪功能。

引言

室内跟踪对机器人来说至关重要,因为它使机器人能够提供基于位置的服务,并在卫星信号较弱或无法使用的环境中进行导航。为此已经研究了许多技术。基于视觉的方法[1]在条件良好的情况下表现良好,但在简单环境或光照不足的情况下效果不佳。激光雷达(LiDAR)被用于生成精确的跟踪和地图[2],但其成本较高,且在没有特征点的情况下容易产生漂移。利用WiFi[3]、毫米波[4]等技术的无线跟踪方案也得到了广泛研究,但这些方案在现实世界中的性能不够稳定,且部署开销较大。这些方法要么依赖于外部基础设施,要么依赖于环境特征。相比之下,利用惯性测量单元(IMUs)的惯性跟踪技术提供了一种真正无需基础设施的解决方案[5]、[6]。IMU是一个集成了加速度计、陀螺仪和磁力计的独立模块,是包括商用机器人在内的各种设备中的标准组件。基于IMU的跟踪方法不依赖于外部基础设施,因此适用于各种条件下的室内机器人导航。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号