内容摘要
作者提出GINIO神经惯性里程计接口，使运动预测按向量、谱协方差按张量规律随IMU坐标旋转变换。网络接收校准、偏置校正后的IMU窗口，偏置等局部状态由连接的估计器维护。末帧对齐（LFA）将窗口样本统一到最后时刻的传感器坐标系；对全SO(3)等变预测器，它与世界坐标系训练仅相差最终旋转，但推理仍依赖相对姿态估计。
作者报告：TLIO世界坐标系、连接SCEKF的配置中，测试时旋转测量坐标系后，GINIO-W与EqNIO的ATE分别为2.018米和76.389米，不代表标称条件下全面领先。NanoBench采用纯网络协议，双方均无外部姿态输入时，GINIO-A与AirIO的ATE分别为1.430米和5.579米。
Fetch仅用标称安装训练，在未见物理重装下，GINIO-R与ResNet的平均ATE分别为0.50米和8.15米。轨迹按安装条件独立采集，以轮式里程计为参考，支持经验性重装鲁棒性，而非同轨迹配对验证。精确等变保证不涵盖物理重装附加误差或预处理姿态误差；上述结果均为作者论文报告。
点评
为学习式惯性测量与滤波融合提供可用于不同骨干和估计器的几何设计原则；重点是旋转鲁棒性与有竞争力的标称精度，而非所有标称条件下均领先。
精确保证针对校准、偏置校正信号的坐标旋转，不消除重装引起的偏置、尺度或轴间失准、杆臂、振动、时序及预处理姿态误差；LFA仍依赖相对姿态。谱协方差构造的框架等变性以预测向量矩阵满秩为条件，对角协方差消融头不具备同样的张量保证。材料为作者论文，不是独立复现；代码、评测脚本和处理后的基准划分仅承诺发表时发布，不能据此认定已开放。
版本与核查范围
版本 2609.25338v2 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #S7.p1.1；figcaption[56]；#A4.p1.1；#A4.p2.6；#S6.p1.1；#S4.T1.2；#S4.SS1.SSS0.Px2.p1.1；#S4.SS1.SSS0.Px2.p1.1；#S4.SS1.SSS0.Px2.p1.1；#S4.SS3.p1.1；#S4.SS4.p1.1；#S4.SS4.p2.1