惯性信号通用特征提取模型

20%噪声下误差降一个量级

以时序记忆融合图表示惯性信号，经自监督预训练后仅需微调即可跨设备、跨任务提取通用特征

王议锋 · 赵毅

Information Fusion 2025

参数信息

姿态估计误差降低

11.7 %

位移估计误差降低

20.0 %

噪声鲁棒性

20 %

技术优势

误差显著降低

在姿态估计和位移估计任务中，误差分别降低 11.7% 和 20.0%，优于现有最优方法。

抗噪能力突出

即使在 20% 噪声条件下，性能依然稳定，优势达一个数量级，而其他方法显著退化。

微调成本低

自监督预训练使模型仅需少量微调即可适应各种硬件配置和任务场景，无需大规模标注数据。

应用场景

• 机器人运动估计：为机器人提供精准姿态与位移估计，提升运动控制精度。
• 可穿戴运动追踪：在可穿戴设备上实现鲁棒运动追踪，抗噪且计算高效。
• 无人机导航：增强无人机在噪声环境下的导航稳定性与精度。
• 人体活动识别：从惯性信号中提取通用特征，提升活动识别的泛化能力。
• 具身智能感知：为具身智能提供跨设备通用的感知特征提取器。