NeuRIO: A Streaming Neural Estimator for Zero-Shot Sim-to-Real Multi-Robot Relative Inertial Odometry

📄 arXiv: 2609.21707v1 📥 PDF

作者: Zhehan Li, Jiadong Lu, Shengwei Ren, Chao Xu, Yanjun Cao

分类: cs.RO

发布日期: 2026-09-18

备注: 9 pages, 4 figures

💡 一句话要点

提出NeuRIO以解决多机器人相对惯性测距问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 相对惯性测距 多机器人系统 图网络 注意力机制 GRU 零样本转移 计算可扩展性

📋 核心要点

  1. 现有的多机器人相对惯性测距方法通常依赖于锚点，限制了其灵活性和扩展性。
  2. NeuRIO通过将机器人视为节点和相互观察视为因子，利用图网络和注意力机制进行空间推理，解决了这一问题。
  3. 在24个真实世界序列中，NeuRIO实现了14.1厘米的位置RMSE和3.9度的旋转RMSE，且在400个机器人情况下保持低于20毫秒的更新成本。

📝 摘要（中文）

我们提出了NeuRIO，这是一种流式神经估计器，能够在没有锚点的情况下，仅利用识别的机器人间方位、距离和IMU测量进行6自由度的相对惯性测距。NeuRIO将测量标准化为重力对齐坐标，将机器人表示为节点，将相互观察表示为因子，并利用注意力机制进行空间推理，使用GRU进行时间建模。作为一种图网络，NeuRIO在整个网络中应用共享的节点和因子操作符，使其能够处理不同团队规模和时变观察图。NeuRIO在一个结合了多种运动模式、设备级传感器特性以及多样化、真实建模和时间持久的传感器干扰的模拟器上进行训练，从而实现零样本的仿真到现实转移。在24个真实世界序列中，NeuRIO实现了14.1厘米的位置均方根误差和3.9度的旋转均方根误差。更重要的是，NeuRIO展示了强大的计算可扩展性，在模拟中保持更新成本低于20毫秒，支持多达400个机器人，而基于优化的方法在仅24个机器人时就超过20毫秒。此外，即使在有限的团队规模上训练，NeuRIO也能直接转移到未见过的更大团队，而无需架构或参数的改变。

🔬 方法详解

问题定义：本论文旨在解决多机器人系统中相对惯性测距的挑战，现有方法通常依赖于锚点，限制了系统的灵活性和扩展性。

核心思路：NeuRIO通过将机器人视为图中的节点，利用相互观察作为因子，结合注意力机制和GRU进行空间和时间建模，从而实现了无锚点的相对测距。

技术框架：NeuRIO的整体架构包括三个主要模块：测量标准化、图网络构建和动态更新。测量标准化将传感器数据转换为重力对齐坐标，图网络则通过共享操作符处理不同的团队规模和观察图。

关键创新：NeuRIO的主要创新在于其图网络结构和无锚点设计，使其能够在不同规模的机器人团队中实现高效的相对测距，且无需对网络架构或参数进行调整。

关键设计：在设计中，NeuRIO使用了共享的节点和因子操作符，采用GRU进行时间建模，损失函数则针对位置和旋转误差进行了优化，以提高测距精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，NeuRIO在24个真实世界序列中实现了14.1厘米的位置均方根误差和3.9度的旋转均方根误差，展示了其优越的性能。此外，NeuRIO在支持多达400个机器人的情况下，保持了低于20毫秒的更新成本，显著优于传统优化方法。

🎯 应用场景

该研究的潜在应用领域包括无人机编队、自动驾驶车辆以及多机器人协作任务等。NeuRIO的高效性和可扩展性使其在动态环境中具有重要的实际价值，能够支持更大规模的机器人团队协作。未来，NeuRIO可能会推动多机器人系统在复杂任务中的应用，提升其自主性和灵活性。

📄 摘要（原文）

We present NeuRIO, a streaming neural estimator for anchor-free 6-DoF relative inertial odometry using only identified inter-robot bearings, ranges, and IMU measurements. NeuRIO canonicalizes measurements into gravity-aligned coordinates, represents robots as nodes and mutual observations as factors, and uses attention for spatial reasoning and GRUs for temporal modeling. As a graph network, NeuRIO applies shared node-wise and factor-wise operators throughout the network, enabling it to handle different team sizes and time-varying observation graphs. NeuRIO is trained on a simulator that couples various motion patterns, device-level sensor characteristics, and diverse, realistic modeled, and temporally persistent sensor corruptions. In this way, NeuRIO achieves zero-shot sim-to-real transfer. Across $24$ real-world sequences, NeuRIO achieves $14.1\,\mathrm{cm}$ position RMSE and $3.9^\circ$ rotation RMSE. More importantly, NeuRIO demonstrates strong computational scalability, maintaining an update cost below $20\,\mathrm{ms}$ with up to $400$ robots in simulation, while optimization-based methods exceed $20\,\mathrm{ms}$ at only $24$ robots. Moreover, even trained on limited team sizes, NeuRIO transfers directly to unseen larger teams without architectural or parameter changes.