自転車測位のためのMoEベース学習型慣性オドメトリ

- 自転車の localization のための learned inertial odometry を提案する研究。 - GNSS の multipath 誤差が問題となる urban canyons での信頼性向上を狙う。 - multirider・multi-bicycle・multi-surface の IMU データで学習した neural velocity predictor を extended Kalman filter (EKF) と tightly coupled に統合し、3次元 pose estimation を行う。 - hand-crafted な cycling model を data-driven 表現で置き換える。 - predictor は sparsely-gated Mixture of Experts (MoE) ネットワークで実装する。

- 従来の cycling dead reckoning や nonholonomic constraints などの hand-crafted inertial 手法は、rider・posture・road surface の違いに汎化しにくいと指摘。 - 既存の learned inertial odometry である LLIO や TLIO の ResMLP / ResNet backbone と比較し、約7倍・9倍少ない FLOPs で同等以上の精度を達成。 - 提案 MoE 変種は全 evaluation split で ATE・RTE ともに1位となり、強い generalization を示す。

- neural velocity predictor を EKF と tightly coupled に統合し、3次元 pose estimation を実現。 - predictor は sparsely-gated Mixture of Experts (MoE) と top-K routing を採用。 - alternating parameter-freezing scheme と per-expert capacity constraint の下で学習し、expert の多様でバランスの取れた specialization を促す。 - 計算 overhead 削減のため MoE 化しており、28.76 M FLOPs で動作。

- multirider・multi-bicycle・multi-surface の IMU データで学習・評価。 - 0.333 m/s の inference error、9.49 m の ATE、2.58 m の RTE を達成。 - ResMLP / ResNet backbone 比で約7倍・9倍少ない FLOPs で同等以上の精度を確認。 - 提案 MoE 変種が全 evaluation split で ATE・RTE 1位となることで generalization を検証。

- 要旨からは不明。 - 明示されているのは、MoE の top-K routing と per-expert capacity constraint により多様でバランスの取れた specialization を促す点、および計算量削減と精度・汎化の両立を示す点。 - 限界や失敗ケース、GNSS 併用時の挙動などについての議論は要旨からは不明。

- LLIO - TLIO - ResMLP - ResNet - extended Kalman filter (EKF) を用いた tightly coupled な inertial odometry の関連研究 - Mixture of Experts (MoE) と top-K routing の関連研究