2026年9月21日，论文《GINIO: A Geometric SO(3)-Equivariant Interface for Neural Inertial Odometry》以 arXiv:2609.25338v1 提交，作者为 Chankyo Kim 及另外4位研究者。该工作已被第10届机器人学习会议（CoRL 2026）接收，全文26页、含14幅图，主题分类为机器人学（cs.RO）与机器学习（cs.LG）。论文关注的背景是：神经惯性里程计（NIO）越来越多地把神经网络作为滤波管线中的学习测量，而这类测量在任意 IMU 安装约定下都应保持一致的几何变换规律——其均值必须像向量一样变换，其协方差必须像二阶张量一样协变变换。
针对这一问题，作者提出 GINIO，一个在 IMU 测量坐标系发生任意旋转时仍保持 SO(3) 等变性的几何接口。给定经过标定的 IMU 窗口，该框架预测运动测量及其不确定性，并使其满足上述张量变换定律。为了让学习过程更高效地发生在传感器坐标系中，论文引入 Last-Frame Alignment（LFA）。这是一个确定性的预处理步骤；对于 SO(3) 等变预测器，作者证明它与在世界坐标系中训练等价。与之连接的估计器则跟踪 IMU 偏置等传感器局部状态，从而把干扰量估计与学习测量所强制的几何定律分离开来。
作者把同一接口实例化到多种 backbone 与系统中，包括滤波连接的 NIO、AirIO 风格的循环空中预测、EqNIO 风格的全 SO(3) 规范化，以及 ResNet 风格的时间骨干网络。这种统一接口的目标是：不改变几何约束本身，而让不同模型架构都能获得坐标框架一致性。
实验方面，在 TLIO 数据集上，GINIO 取得 2.018 m 的 ID/SO(3) ATE，而 EqNIO 退化到 76.389 m；同时 GINIO 使用的 FLOPs 少 11.6 倍。在 NanoBench 上，AirIO 风格实例在没有外部姿态输入的情况下把 ATE 从 5.579 m 改善到 1.430 m；ResNet 风格实例达到 0.581 m ATE，相比 ResNet1D 的 0.645 m 更好。在 Fetch 上，GINIO 在无需重训练的情况下把未见过的物理重安装场景 ATE 从 8.15 m 降到 0.50 m，说明其鲁棒性超出了精确坐标系保证本身。
在不确定性建模方面，论文报告谱协方差相比对角头把协方差等变误差降低了三个数量级以上。论文的 caveat 也值得注意：Fetch 上的重安装鲁棒性是经验结果，超出精确坐标框架的理论保证；论文通过 CoRL 2026 接收，DOI 由 DataCite 发放但注册仍待完成。