[論文レビュー] A Computationally Efficient Framework for Automatic Inertial Sensor Calibration

James Balamuta, Stéphane Guerrier+2 more|arXiv (Cornell University)|Mar 16, 2016

Statistical and numerical algorithms参考文献 16被引用数 4

ひとこと要約

本論文は、一般化ウェーブレットモーメント法（GMWM）に基づく、計算効率が高く統計的に頑健なRパッケージを提案する。このパッケージは、低価格インertialセンサの自動キャリブレーションを実現し、従来のアラン分散回帰法や最尤推定法に比べ、安定性と効率性において優れた性能を発揮する。複雑な誤差プロセスの高速かつ一貫性のある推定とモデル選択が可能である。

ABSTRACT

The calibration of (low-cost) inertial sensors has become increasingly important over the past years since their use has grown exponentially in many applications going from unmanned aerial vehicle navigation to 3D-animation. However, this calibration procedure is often quite problematic since the signals issued from these sensors have a complex spectral structure and the methods available to estimate the parameters of these models are either unstable, computationally intensive and/or statistically inconsistent. This paper presents a new software platform for inertial sensor calibration based on the Generalized Method of Wavelet Moments which provides a computationally efficient, flexible, user-friendly and statistically sound tool to estimate and select from a wide range of complex models. The software is developed within the open-source statistical software R and is based on C++ language allowing it to achieve high computational performance.

研究の動機と目的

• 従来のインエントシャルセンサキャリブレーション手法、特に最尤推定法やアラン分散線形回帰法における不安定さと計算負荷の問題を解決する。
• MEMSインエントシャルセンサの複雑で非定常な誤差信号を、統計的に一貫性があり計算的に効率的な枠組みでモデル化する。
• 外れ値やデータ汚染に強いGMWM推定量の頑健化を図ることで、実環境における信頼性の高いキャリブレーションを実現する。
• ナビゲーションやセンサフュージョン応用への実用的導入を想定し、C++バックエンドを備えたユーザーフレンドリーでオープンソースのRパッケージプラットフォームを提供する。
• 実世界のIMUダイナミクスに一般的に見られる多次元的かつ非定常な誤差構造を扱えるように、この枠組みを拡張する。

提案手法

• 一般化ウェーブレットモーメント法（GMWM）を採用し、実験的ウェーブレット分散と理論的ウェーブレット分散の距離を最小化することでモデルパラメータを推定する。
• インエントシャルセンサ誤差信号に内在する確率的プロセスを特定するために、ウェーブレット分散（WV）を主要な要約統計量として用いる。
• 外れ値やデータ汚染に耐性を持つGMWMの頑健化版を適用し、実環境条件でも信頼性の高い推定を実現する。
• モデルの複雑さを考慮しつつ、モデルの適合度を順位付け・選択するためのモデル選択基準を統合する。
• 高性能かつスケーラブルな計算を実現するC++ベースの計算を備えたオープンソースRパッケージ（'gmwm'）としてフレームワークを実装する。
• 動的要因モデルに類似した構造と時間変動型自己回帰パラメータを用いて、共通誤差成分と軸別誤差成分をモデル化することで、多次元的かつ非定常な設定に拡張する。

実験結果

リサーチクエスチョン

• RQ1 従来の手法に比べ、複雑で非定常的かつ汚染されたダイナミクスを示すインエントシャルセンサ誤差信号を、より効率的かつ信頼性高くモデル化する方法は何か？
• RQ2 GMWMフレームワークは、最尤推定法やアラン分散線形回帰法に代わる統計的に一貫性があり計算的に効率的な代替手段となり得るか？
• RQ3 外れ値や影響力の強い点を含むデータにおいて、頑健なGMWM推定量はキャリブレーション精度をどの程度向上させるか？
• RQ4 三軸センサ（加速度計とジャイロスコープ）間の多次元的誤差構造を、パラメータ数を削減しつつも適合度を向上させる方法は何か？
• RQ5 システムダイナミクス（例：時間変動型自己回帰パラメータ）に応じて、ノイズモデルを動的に適応させるフレームワークの拡張は可能か？

主な発見

• GMWMに基づくフレームワークは、しばしば数値的不安定性や収束問題を引き起こす最尤推定法に比べ、統計的に一貫性があり計算的に効率的な代替手段を提供する。
• 提案手法は、ほとんどの場合において非効率的かつ一貫性のないことが証明済みのアラン分散線形回帰法を上回る性能を発揮する。
• GMWMの頑健化版は、データ汚染に強く、誤差信号に外れ値が含まれる状況でも信頼性の高いキャリブレーションを可能にする。
• ソフトウェアプラットフォームにより、予測誤差に基づく基準を用いた高速かつ自動化されたモデル選択が可能となり、人的なチューニングを大幅に削減し、再現性を向上させる。
• ウェーブレット分散を主たる診断ツールとして統合することで、センサ誤差信号に内在する確率的プロセスの明確な可視化と特定が可能になる。
• 将来的な拡張、例えば拡張GMWM（GMWM+）や動的パrameter適応化は、複雑な現実世界のシナリオにおける推定効率とモデリング精度の向上に強く期待できる。