[論文レビュー] GNIO: Gated Neural Inertial Odometry

Dapeng Feng, Yizhen Yin+3 more|arXiv (Cornell University)|Mar 16, 2026

Inertial Sensor and Navigation被引用数 0

ひとこと要約

GNIO は Motion Bank と Gated Prediction Head を導入し、慣性オドometry のドリフトを低減、CNN/Transformer ベースラインより公的ベンチマークでより良い一般化を達成します。

ABSTRACT

Inertial navigation using low-cost MEMS sensors is plagued by rapid drift due to sensor noise and bias instability. While recent data-driven approaches have made significant strides, they often struggle with micro-drifts during stationarity and mode fusion during complex motion transitions due to their reliance on fixed-window regression. In this work, we introduce Gated Neural Inertial Odometry (GNIO), a novel learning-based framework that explicitly models motion validity and context. We propose two key architectural innovations: \ding{182} a learnable Motion Bank that queries a global dictionary of motion patterns to provide semantic context beyond the local receptive field, and \ding{183} a Gated Prediction Head that decomposes displacement into magnitude and direction. This gating mechanism acts as a soft, differentiable Zero-Velocity Update (ZUPT), dynamically suppressing sensor noise during stationary periods while scaling predictions during dynamic motion. Extensive experiments across four public benchmarks demonstrate that GNIO significantly reduces position drift compared to state-of-the-art CNN and Transformer-based baselines. Notably, GNIO achieves a $60.21\%$ reduction in trajectory error on the OxIOD dataset and exhibits superior generalization in challenging scenarios involving frequent stops and irregular motion speeds.

研究の動機と目的

• 低コスト MEMS IMU による長期的な慣性ナビゲーションの改善を動機づけるため、静止/低運動時のドリフトと動的運動時のモード混同に対処する。
• semantic motion context と適応的、ソフトゼロ速度更新を提供するアーキテクチャ革新を提案する。
• GNIO を最新の CNN および Transformer ベースラインと、複数の歩行者志向データセットにわたり評価する。」],
• method:[

提案手法

• Motion Bank: グローバルなモーションプロトタイプ辞書を学習可能とし、マルチヘッドアテンションで照会することで、局所的 IMU ウィンドウを超えた意味的コンテキストを提供する。
• Gated Prediction Head を開発し、変位を大きさ領域（Softplus）と方向ゲート（Tanh）に分解することで、 stationary 時のソフト ZUPT を可能にする。
• 豊化された特徴を残差接続で統合し、変位と不確かさの推定を行い厳密なEKFフュージョンを可能にする。
• Two-stage loss を使用：安定収束のための MSE と、予測共分散と残差を整合させる Gaussian NLL。
• 学習した変位と高周波 IMU キネマティクスを厳密にフュージするための Stochastic Cloning EKF を採用する。

実験結果

リサーチクエスチョン

• RQ1 グローバルな motionBank は IMU ベースのオドメトリにおける静止と動的モーションの判別を改善できるか？
• RQ2 ゲート付きの大きさ-方向分解はドリフトを低減し、停止時・不規則な速度時の頑健性を向上させるか？
• RQ3 GNIO は複数の歩行者志向データセットで CNN および Transformer ベースラインと比較してどの程度性能を示すか？
• RQ4 モーションバンクのサイズとゲーティング活性化の選択が推定精度に与える影響はどの程度か？

主な発見

• GNIO は公的ベンチマークで最先端の CNN および Transformer ベースラインと比較して軌道誤差を著しく低減（OxIOD で最大 60.21% など）。
• Motion Bank は局所的なモード混同とドリフトを多様な運動パターンで解決するグローバルな意味論的事前知識を提供する。
• Gated Prediction Head は stationary period でドリフトを効果的に抑制し、動的運動時には予測を拡張して soft-ZUPT の役割を果たす。
• アブレーション研究は Motion Bank と Gated Head の双方が RMSE の低減に寄与し、全体の GNIO が最良の性能を示す。
• GNIO は OxIOD、RIDI、RoNIN、IDOL、TLIO 派生データセットに対して未知の被験者やセンサー配置、頻繁な停止に対して強い一般化を示す。