リーイベントに基づくニューラル慣性オドメトリ

- 本論文は、Neural Inertial Odometry における Neural displacement priors (NDP) の入力表現を改良する研究。 - 従来の raw IMU data の代わりに Lie events を入力として用いる。 - Lie events は IMU pre-integration の変化量を SE(3) 群の Lie algebra に写像し、そのノルムが閾値を超えた時にサンプリングされる。 - event-based vision に着想を得て、1D 信号の level-crossing を Lie algebra 上の level-crossing に一般化し、binary polarities を normalized Lie polarities に拡張する。

- 従来の NDP は raw IMU data を入力とするため、IMU sampling rate や trajectory profile の違いへの汎化が困難で、多様な設定での robustness が制限されていた。 - 提案手法は Lie events を用いることで、入力 rate の変化に対して robust であり、異なる trajectory profile 下でも好ましい invariances を持つ。 - これにより、off-the-shelf の下流 inertial odometry 手法の trajectory error を最大 21% 削減できると報告している。

- raw IMU data を Lie events に置き換える点が肝。 - IMU pre-integration の変化量を SE(3) 群の Lie algebra に写像し、そのノルムが閾値を超えるたびにイベントをサンプリングする。 - event-based vision の level-crossing と binary polarity の概念を Lie algebra 上に一般化し、normalized Lie polarities を導入する。 - これらの polarity を含む Lie events で NDP を訓練し、最小限の preprocessing で下流の inertial odometry に組み込む。

- Lie events と polarity を用いて NDP を訓練し、off-the-shelf の下流 inertial odometry 手法に適用して trajectory error を評価。 - その結果、trajectory error を最大 21% 削減できることを示した。 - 具体的なデータセット名や評価条件の詳細は要旨からは不明。

- IMU や camera 以外の多くのセンサも event-based sampling paradigm の恩恵を受けうると著者は conjecture している。 - 本研究はその方向への重要な第一歩と位置づけられている。 - 限界や失敗事例、計算コストなどの詳細な議論は要旨からは不明。

- 要旨で直接参照・比較されている個別論文は明示されていない。 - 関連手法として Neural displacement priors (NDP)、event-based vision、SE(3) 群上の IMU pre-integration、off-the-shelf inertial odometry 手法が挙げられる。 - 同分野の定番としては Neural Inertial Odometry、Learning-based Inertial Odometry、Visual-Inertial Odometry 関連の研究が次に読む候補となる。