2026年9月21日，論文《GINIO: A Geometric SO(3)-Equivariant Interface for Neural Inertial Odometry》以 arXiv:2609.25338v1 提交，作者為 Chankyo Kim 及另外4位研究者。該工作已被第10屆機器人學習會議（CoRL 2026）接收，全文26頁、含14幅圖，主題分類為機器人學（cs.RO）與機器學習（cs.LG）。論文關注的背景是：神經慣性里程計（NIO）越來越多地把神經網路作為濾波管線中的學習測量，而這類測量在任意 IMU 安裝約定下都應保持一致的幾何變換規律——其均值必須像向量一樣變換，其協方差必須像二階張量一樣協變變換。
針對這一問題，作者提出 GINIO，一個在 IMU 測量座標系發生任意旋轉時仍保持 SO(3) 等變性的幾何介面。給定經過標定的 IMU 視窗，該框架預測運動測量及其不確定性，並使其滿足上述張量變換定律。為了讓學習過程更高效地發生在感測器座標系中，論文引入 Last-Frame Alignment（LFA）。這是一個確定性的預處理步驟；對於 SO(3) 等變預測器，作者證明它與在世界座標系中訓練等價。與之連線的估計器則跟蹤 IMU 偏置等感測器區域性狀態，從而把干擾量估計與學習測量所強制的幾何定律分離開來。
作者把同一介面例項化到多種 backbone 與系統中，包括濾波連線的 NIO、AirIO 風格的迴圈空中預測、EqNIO 風格的全 SO(3) 規範化，以及 ResNet 風格的時間骨幹網路。這種統一介面的目標是：不改變幾何約束本身，而讓不同模型架構都能獲得座標框架一致性。
實驗方面，在 TLIO 資料集上，GINIO 取得 2.018 m 的 ID/SO(3) ATE，而 EqNIO 退化到 76.389 m；同時 GINIO 使用的 FLOPs 少 11.6 倍。在 NanoBench 上，AirIO 風格例項在沒有外部姿態輸入的情況下把 ATE 從 5.579 m 改善到 1.430 m；ResNet 風格例項達到 0.581 m ATE，相比 ResNet1D 的 0.645 m 更好。在 Fetch 上，GINIO 在無需重訓練的情況下把未見過的物理重安裝場景 ATE 從 8.15 m 降到 0.50 m，說明其魯棒性超出了精確座標系保證本身。
在不確定性建模方面，論文報告譜協方差相比對角頭把協方差等變誤差降低了三個數量級以上。論文的 caveat 也值得注意：Fetch 上的重安裝魯棒性是經驗結果，超出精確座標框架的理論保證；論文透過 CoRL 2026 接收，DOI 由 DataCite 發放但註冊仍待完成。