(CVPR 2025) 从专家模型到基础模型：Tartan IMU 如何统一车、人、无人机的惯性定位

主要观点总结

该论文介绍了一种名为Tartan IMU的轻量级模型，用于机器人惯性定位。该模型通过训练多平台IMU数据创建一个统一的IMU表征空间，不再依赖于单任务专家模型。实验证明，该模型在多个平台上平均ATE提升约36%，超过专用模型。模型采用三阶段架构，包括预训练IMU基础模型、微调未见过的运动模式（LoRA）和在线自适应机制。通过可视化结果展示了IMU数据在统一特征空间中的可分性，以及运动模式分布的情况。该模型在轨迹预测方面表现优秀，并在2025年之前提供开源免费即插即用模块。

关键观点总结

关键观点1: 创新点及背景

论文提出了首个IMU Foundation Model，不再局限于特定平台的单任务专家模型，而是通过训练多平台IMU数据创建一个统一的IMU表征空间。

关键观点2: 模型架构及原理

Tartan IMU采用三阶段架构，包括预训练IMU基础模型、使用LoRA进行微调以及在线自适应机制。预训练模型由ResNet和LSTM组成异构共享骨干网络，不同机器人与运动模式映射到统一的高维IMU表征空间，并通过多头输出解耦不同平台的动力学差异。

关键观点3: 实验及结果

实验证明，Tartan IMU在多个平台上平均ATE提升约36%，超过专用模型。消融实验表明，多平台训练在所有机器人类型上都显著优于单平台训练，平均提升ATE 42%，T-RTE 71%。可视化结果展示了IMU数据在统一特征空间中的可分性，以及运动模式分布的情况。

关键观点4: 轨迹预测表现

通过对比实验，Tartan IMU在所有平台上的轨迹预测表现最优秀，最贴近GT（黑虚线），即使在未进行fine-tuning的情况下也能进行泛化。