KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference

📄 arXiv: 2603.06205v1 📥 PDF

作者: Jiwon Choi, Hogyun Kim, Geonmo Yang, Juhui Lee, Younggun Cho

分类: cs.RO

发布日期: 2026-03-06

备注: 8 pages, 9 figures

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

KISS-IMU：基于运动平衡学习和不确定性感知推理的自监督惯性里程计

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 惯性里程计 自监督学习 运动平衡学习 不确定性感知 机器人导航

📋 核心要点

  1. 现有惯性里程计严重依赖真值数据进行训练，限制了其在未见过的多样化环境中的可扩展性和泛化能力。
  2. KISS-IMU利用LiDAR ICP配准和位姿图优化作为监督信号，以自监督的方式训练惯性里程计，摆脱了对真值数据的依赖。
  3. 实验表明，KISS-IMU在多种真实场景下表现出良好的性能，尤其是在四足机器人等运动模式复杂的平台上。

📝 摘要（中文）

本文提出KISS-IMU，一种新颖的自监督惯性里程计框架，通过利用基于LiDAR的ICP配准和位姿图优化作为监督信号，消除了对真值数据的依赖。该方法包含两个关键原则：通过运动感知平衡训练保持IMU的稳定性，以及通过不确定性驱动的自适应加权在推理过程中保持IMU的鲁棒性。为了评估在不同运动模式和场景下的性能，我们在包括四足机器人在内的各种真实世界平台上进行了全面的实验。重要的是，我们仅以自监督方式训练IMU网络，LiDAR仅作为轻量级的监督信号，而不需要额外的可学习过程。这种设计使框架能够在不依赖联合多模态学习或真值监督的情况下确保鲁棒性。

🔬 方法详解

问题定义：惯性里程计（Inertial Odometry, IO）旨在利用IMU数据估计载体的运动轨迹。传统方法依赖于大量的真值数据进行训练，这限制了其在新的、未知的环境中的泛化能力。现有方法难以在没有真值数据的情况下，有效地利用IMU数据进行自监督学习。

核心思路：KISS-IMU的核心思路是利用LiDAR数据构建一个弱监督信号，通过自监督学习的方式训练IMU网络。具体来说，利用LiDAR ICP配准和位姿图优化得到相对准确的位姿估计，将其作为IMU网络训练的监督信号。同时，通过运动感知平衡训练和不确定性驱动的自适应加权，提高IMU网络的稳定性和鲁棒性。

技术框架：KISS-IMU的整体框架包括以下几个主要模块：1) IMU数据预处理；2) IMU网络，用于估计IMU的位姿；3) LiDAR数据处理，通过ICP配准和位姿图优化得到位姿估计；4) 损失函数，用于约束IMU网络的输出与LiDAR位姿估计的一致性。在推理阶段，利用不确定性估计模块，对IMU网络的输出进行自适应加权，提高位姿估计的准确性。

关键创新：KISS-IMU的关键创新在于其自监督学习框架，它摆脱了对真值数据的依赖，仅使用LiDAR数据作为弱监督信号。此外，运动感知平衡训练和不确定性驱动的自适应加权是提高IMU网络稳定性和鲁棒性的关键。该方法避免了联合多模态学习，降低了对LiDAR数据质量的依赖。

关键设计：运动感知平衡训练通过对不同运动模式的数据进行加权，平衡了训练数据中的运动偏差。不确定性驱动的自适应加权利用IMU网络输出的不确定性估计，对位姿估计进行加权，降低了不确定性高的位姿的影响。损失函数的设计旨在最小化IMU网络输出的位姿与LiDAR位姿估计之间的差异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，KISS-IMU在多种真实场景下表现出良好的性能。例如，在四足机器人平台上，KISS-IMU能够准确估计机器人的运动轨迹，即使在运动模式复杂的环境中也能保持较高的精度。与传统的基于真值数据的惯性里程计相比，KISS-IMU在泛化能力方面具有显著优势。

🎯 应用场景

KISS-IMU具有广泛的应用前景，包括机器人导航、无人机自主飞行、增强现实和虚拟现实等领域。该方法无需真值数据，降低了部署成本，提高了在未知环境中的适应性。未来，KISS-IMU可以与其他传感器融合，进一步提高定位精度和鲁棒性，为智能机器人和自主系统提供更可靠的定位服务。

📄 摘要（原文）

Inertial measurement units (IMUs), which provide high-frequency linear acceleration and angular velocity measurements, serve as fundamental sensing modalities in robotic systems. Recent advances in deep neural networks have led to remarkable progress in inertial odometry. However, the heavy reliance on ground truth data during training fundamentally limits scalability and generalization to unseen and diverse environments. We propose KISS-IMU, a novel self-supervised inertial odometry framework that eliminates ground truth dependency by leveraging simple LiDAR-based ICP registration and pose graph optimization as a supervisory signal. Our approach embodies two key principles: keeping the IMU stable through motion-aware balanced training and keeping the IMU strong through uncertainty-driven adaptive weighting during inference. To evaluate performance across diverse motion patterns and scenarios, we conducted comprehensive experiments on various real-world platforms, including quadruped robots. Importantly, we train only the IMU network in a self-supervised manner, with LiDAR serving solely as a lightweight supervisory signal rather than requiring additional learnable processes. This design enables the framework to ensure robustness without relying on joint multi-modal learning or ground truth supervision. The supplementary materials are available at https://sparolab.github.io/research/kiss_imu.