[論文レビュー] Data-Driven Denoising of Stationary Accelerometer Signals

Daniel Engelsman, Itzik Klein|arXiv (Cornell University)|Jun 13, 2022

Inertial Sensor and Navigation参考文献 49被引用数 4

ひとこと要約

本稿では、機械学習を用いたデータ駆動型ノイズ除去手法を、静的加速度計信号に適用して、従来の信号処理手法を上回ることを目的としている。具体的にはk-最近傍法（kNN）およびディープラーニングモデルを用い、シミュレート済みおよび実世界のデータにおいて、静的粗略整列（SCA）における角度誤差を1桁低減することに成功した。

ABSTRACT

Modern navigation solutions are largely dependent on the performances of the standalone inertial sensors, especially at times when no external sources are available. During these outages, the inertial navigation solution is likely to degrade over time due to instrumental noises sources, particularly when using consumer low-cost inertial sensors. Conventionally, model-based estimation algorithms are employed to reduce noise levels and enhance meaningful information, thus improving the navigation solution directly. However, guaranteeing their optimality often proves to be challenging as sensors performance differ in manufacturing quality, process noise modeling, and calibration precision. In the literature, most inertial denoising models are model-based when recently several data-driven approaches were suggested primarily for gyroscope measurements denoising. Data-driven approaches for accelerometer denoising task are more challenging due to the unknown gravity projection on the accelerometer axes. To fill this gap, we propose several learning-based approaches and compare their performances with prominent denoising algorithms, in terms of pure noise removal, followed by stationary coarse alignment procedure. Based on the benchmarking results, obtained in field experiments, we show that: (i) learning-based models perform better than traditional signal processing filtering; (ii) non-parametric kNN algorithm outperforms all state of the art deep learning models examined in this study; (iii) denoising can be fruitful for pure inertial signal reconstruction, but moreover for navigation-related tasks, as both errors are shown to be reduced up to one order of magnitude.

研究の動機と目的

• 低コストMEMS加速度計信号のノイズ除去に取り組むこと。特に、重力が大きな可変バイアスを引き起こす静的条件下での課題に焦点を当てる。
• モデルベースのフィルタリングの限界を克服すること。これは、正確なキャリブレーションやノイズモデルに大きく依存するが、実際の状況ではしばしば達成不可能であるため。
• データ駆動型アプローチが、慣性信号再構成およびナビゲーション精度において、従来の信号処理手法を上回ることを評価すること。
• シミュレート済みおよび実世界の加速度計データを用いて、学習ベースのモデルと古典的フィルタを同等の条件下でベンチマークすること。
• ノイズ除去がナビゲーション関連タスクに与える影響を評価すること。具体的には、静的粗略整列（SCA）を対象とする。

提案手法

• 著者らは、学習済みパターンに基づき、訓練データからの特徴を用いて、静的加速度計信号のノイズ除去にk-最近傍法（kNN）およびディープラーニングモデルを適用している。
• kNNモデルは、特徴空間内での入力信号とそのk個の最近傍の類似度に基づき、よりクリアな信号を再構成する。
• シミュレート済みIMUデータに制御されたノイズを加え、スマートフォンおよび高精度慣性センサからの実世界データを基底真値として、包括的なデータセットを構築した。
• 信号のノイズ除去性能は、相対絶対誤差（RAE）などの再構成誤差指標を用いて評価された。
• ノイズ除去の有効性は、静的粗略整列（SCA）手順を通じてさらに検証され、ロールおよびピッチ推定における角度誤差の低減が測定された。
• 本研究では、同一条件下で複数の学習ベースのモデルと古典的信号処理フィルタ（例：移動平均、ARMA、EMD）を比較した。

Figure 1: Denoising mapping function $f:\boldsymbol{x}\rightarrow\hat{\boldsymbol{x}}$

実験結果

リサーチクエスチョン

• RQ1 データ駆動型ノイズ除去モデルは、ノイズの多い静的測定値からクリアな加速度計信号を再構成する際に、従来の信号処理フィルタを上回ることができるか？
• RQ2 静的粗略整列（SCA）手順において、学習ベースのモデルは従来のフィルタリング手法と比較して、角度誤差をどの程度低減できるか？
• RQ3 実世界のノイズおよび未知の誤差要因は、データ駆動型ノイズ除去モデルの一般化性能にどのような影響を及えるか？
• RQ4 kNNおよびディープラーニングモデルのノイズ除去能力は、ナビゲーション解の精度向上にどの程度まで反映されるか？
• RQ5 非パラメトリックモデル（例：kNN）は、複雑で未知のノイズパターンを持つ実世界の加速度計データに対しても、効果的に一般化できるか？

主な発見

• kNNベースのノイズ除去モデルは、実験的検証において、ノイズの多い入力と比較して再構成誤差（RAE）を約9.38%低減した。これは、信号の忠実性が優れていることを示している。
• 静的粗略整列タスクにおいて、kNNモデルはロール角度のRMSEを0.30042°から0.03398°に、ピッチ角度を0.50251°から0.06676°にまで低減し、1桁の改善を達成した。
• 実験結果から、シミュレート済み環境と実世界環境との間で顕著な性能差が認められたが、実世界のノイズパターンがモデル性能を予想以上に低下させなかった。これは、モデルが未知の誤差要因に対して頑健であるためと推察される。
• kNNモデルは、シミュレート済みおよび実世界の両環境で、ディープラーニングや古典的フィルタを含む他の全テストモデルを上回った。特に角度誤差低減において顕著な優位性を示した。
• 本研究では、未知またはモデル化されていないノイズが存在する実世界の加速度計データに対しても、データ駆動型アプローチが良好に一般化できることを確認した。さらに、ナビゲーション精度を顕著に向上させることができた。
• 解釈性の制限や未観測の動的挙動への一般化の限界があるものの、結果は、学習ベースのノイズ除去が、静的慣性信号処理において従来のフィルタリング手法の代替として実用的かつ効果的であることを示している。

Figure 2: One-layer recurrent neural network (RNN)