[論文レビュー] Adaptive Step Size Learning with Applications to Velocity Aided Inertial Navigation System

Barak Or, Itzik Klein|arXiv (Cornell University)|Jun 27, 2022

Underwater Vehicles and Communication Systems参考文献 46被引用数 8

ひとこと要約

本論文は、DVL や GNSS などの低レートセンサーで補助される慣性航法システム（INS）のための、教師あり機械学習に基づく適応的ステップサイズチューニング手法を提案する。ナビゲーション特徴量と部分最適なIMUステップサイズとの関係を学習することで、計算負荷を低減しつつ速度誤差を最小化する。シミュレーションおよびAUVおよびマルチコプターを用いた実地実験において、顕著な効率性の向上が確認された。

ABSTRACT

Autonomous underwater vehicles (AUV) are commonly used in many underwater applications. Recently, the usage of multi-rotor unmanned autonomous vehicles (UAV) for marine applications is receiving more attention in the literature. Usually, both platforms employ an inertial navigation system (INS), and aiding sensors for an accurate navigation solution. In AUV navigation, Doppler velocity log (DVL) is mainly used to aid the INS, while for UAVs, it is common to use global navigation satellite systems (GNSS) receivers. The fusion between the aiding sensor and the INS requires a definition of step size parameter in the estimation process. It is responsible for the solution frequency update and, eventually, its accuracy. The choice of the step size poses a tradeoff between computational load and navigation performance. Generally, the aiding sensors update frequency is considered much slower compared to the INS operating frequency (hundreds Hertz). Such high rate is unnecessary for most platforms, specifically for low dynamics AUVs. In this work, a supervised machine learning based adaptive tuning scheme to select the proper INS step size is proposed. To that end, a velocity error bound is defined, allowing the INS/DVL or the INS/GNSS to act in a sub-optimal working conditions, and yet minimize the computational load. Results from simulations and field experiment show the benefits of using the proposed approach. In addition, the proposed framework can be applied to any other fusion scenarios between any type of sensors or platforms.

研究の動機と目的

• 計算負荷とナビゲーション精度のトレードオフを解消するために、IMUステップサイズを動的に調整すること。
• リアルタイムのナビゲーション特徴量に基づいて部分最適なステップサイズを選択する学習ベースのフレームワークを構築すること。
• AUVおよびマルチコプターを用いたシミュレーションおよび実世界のシナリオにおいて、速度補助付きINSの文脈でこのアプローチを検証すること。

提案手法

• 部分最適な動作を許容しつつも、許容可能な精度を維持できるように、速度誤差の上限を定義する。
• ナビゲーション特徴量（速度、加速度、センサー更新周波数など）に基づいて、最適なIMUステップサイズを予測するための教師あり機械学習モデルを訓練する。
• オンライン学習をEKFと統合することで、ナビゲーション中にリアルタイムでステップサイズを適応的にチューニングできるフレームワークを実装する。
• 特徴工学により、モデルの予測を支援する関連する状態変数（例：速度、旋回速度）を抽出する。
• ステップサイズの選択を二値分類タスク（大と小）として定式化することで、チタリングを低減し、フィルタの安定性を向上させる。
• 本手法は、シミュレーションデータおよびマルチコプターUAVの実飛行データの両方を用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 適応的ステップサイズ選択は、INS/DVLおよびINS/GNSS統合システムにおける速度誤差にどのように影響するか？
• RQ2 教師あり機械学習モデルは、リアルタイムのナビゲーション特徴量に基づいて部分最適なIMUステップサイズを効果的に予測できるか？
• RQ3 適応的ステップサイズチューニングを用いる場合、計算負荷の低減とナビゲーション精度のトレードオフはどのようなものか？
• RQ4 固定ステップサイズアプローチと比較して、本手法の性能と効率性はどのように異なるか？
• RQ5 本フレームワークは、DVLおよびGNSSを越えた他のセンサー統合シナリオにも一般化可能か？

主な発見

• 提案された適応的ステップサイズ学習方式は、計算負荷を顕著に低減しつつも、速度推定精度を許容可能な範囲に維持した。
• シミュレーションおよび実地実験の両方で、本手法は固定的小ステップアプローチと同等の速度RMSEを達成したが、IMU更新回数を削減した。
• ステップサイズ選択に二値分類を用いることで、多クラスや回帰ベースのアプローチと比較してチタリングが低減され、フィルタの安定性が向上した。
• 低動態状況下では、本フレームワークによりIMUイテレーション回数を最大90％まで削減でき、性能の劣化なしに実現した。
• 本手法は汎用的であり、異なるセンサーやプラットフォームを用いた任意のINS補助ナビゲーションシステムに適用可能である。