ईगो-मोशन अनुमान के लिए दृश्य और इनर्शियल सेंसर की अवलोकनशीलता-जानकारी आत्म-कालिब्रेशन

बाहरी प्रभाव जैसे झटके और तापमान भिन्नताएँ दृश्य-इनर्शियल सेंसर प्रणालियों के कैलिब्रेशन को प्रभावित करती हैं और इसलिए वे पूरी तरह से कारखाने के कैलिब्रेशन पर निर्भर नहीं रह सकतीं। संक्षिप्त उपयोगकर्ता-संग्रहित डेटा सेट पर किए गए पुनः-कैलिब्रेशन खराब प्रदर्शन दे सकते हैं क्योंकि कुछ पैरामीटर की अवलोकनशीलता गति पर अत्यधिक निर्भर होती है। इसके अलावा, संसाधन-प्रतिबंधित प्रणालियों (जैसे मोबाइल फोन) पर, लंबे सत्रों में पूर्ण-बैच दृष्टिकोण जल्दी ही अत्यधिक महँगे हो जाते हैं। इस पेपर में, हम आत्म-कालिब्रेशन समस्या को सूचना सैद्धांतिक मैट्रिक्स पेश करके हल करते हैं ताकि कर्षण खंडों की सूचना सामग्री का आकलन किया जा सके, इस प्रकार कैलिब्रेशन उद्देश्यों के लिए डेटा सेट में से सबसे अधिक सूचनात्मक हिस्से चुनने की अनुमति मिलती है। इस दृष्टिकोण से, हम या तो: 1) सीमित उत्साही गति के साथ एक लंबे सत्र से खंड चुनकर या 2) कई छोटे सत्रों से, जहां एकल सत्र सभी मोड को पर्याप्त रूप से उत्तेजित नहीं करता है, संकुचित कैलिब्रेशन डेटा सेट बनाने में सक्षम हैं। चार विभिन्न वातावरणों में वास्तविक जीवन के प्रयोग दिखाते हैं कि प्रस्तावित विधि बैच कैलिब्रेशन दृष्टिकोण के समान प्रदर्शन हासिल करती है, फिर भी, निश्चित गणनात्मक जटिलता पर जो सत्र की अवधि से स्वतंत्र है।