2026年9月21日に arXiv:2609.25338v1 として投稿された論文「GINIO: A Geometric SO(3)-Equivariant Interface for Neural Inertial Odometry」は、Chankyo Kim 氏と他4名の著者による研究成果である。第10回 Conference on Robot Learning（CoRL 2026）に採択され、26ページ・14図からなり、主題はロボティクス（cs.RO）と機械学習（cs.LG）に分類されている。背景として、ニューラル慣性オドメトリ（NIO）ではネットワークをフィルタリングパイプライン内の学習済み測定として使うことが増えている。そのような測定は、任意の IMU 取り付け規約の下でも一貫して変換される必要があり、平均はベクトルとして、共分散は二階テンソルとして整合的に変換されなければならない。
そこで著者らは、IMU 測定座標系が任意に回転しても SO(3) 同変性を保つ幾何インターフェース GINIO を提案する。キャリブレーション済み IMU ウィンドウを与えると、本フレームワークは運動測定と不確かさを予測し、それらが上記のテンソル変換則を満たすようにする。センサー座標系での効率的な学習を支えるため、Last-Frame Alignment（LFA）を導入する。これは決定論的な前処理であり、SO(3) 同変予測器に対して世界座標系での学習と証明上等価である。接続された推定器は IMU バイアスなどのセンサー局所状態を追跡し、 nuisance 推定と、学習済み測定が強制する幾何法則を分離する。
著者らは同じインターフェースを、フィルタ接続型 NIO、AirIO スタイルの再帰的空中予測、EqNIO スタイルの完全 SO(3) 正規化、ResNet スタイルの時間バックボーンなど複数の構成に実装している。これにより、幾何制約そのものを変えずに、異なるモデルアーキテクチャへ座標系一貫性をもたらすことを狙う。
実験では、TLIO において GINIO は ID/SO(3) ATE 2.018 m を達成し、EqNIO は 76.389 m まで劣化する。GINIO はさらに 11.6 倍少ない FLOPs でこれを実現する。NanoBench では、AirIO スタイルの実装が外部姿勢入力なしで ATE を 5.579 m から 1.430 m に改善し、ResNet スタイルの実装は ResNet1D の 0.645 m に対して 0.581 m の ATE に到達する。Fetch では、GINIO は再学習なしで未見の物理的再取り付け時の ATE を 8.15 m から 0.50 m に低減し、厳密な座標系保証を超える頑健性を示している。
不確かさについては、スペクトル共分散が対角ヘッドと比べて共分散同変誤差を3桁以上低減する。注意点として、Fetch での再取り付け頑健性は経験的結果であり、厳密な座標系保証の外側にある。本論文は CoRL 2026 に採択され、DOI は DataCite により発行されているが登録は保留中である。