[論文レビュー] Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation

Martin Brossard, Silvère Bonnabel+1 more|arXiv (Cornell University)|Feb 25, 2020

Inertial Sensor and Navigation参考文献 33被引用数 146

ひとこと要約

監視付きの拡張畳み込みニューラルネットはIMUジャイロをデノイズし、オープンループ姿勢推定を実現します。VisionなしでEuRoCとTUM-VIにおいて最先端に近い精度を達成します。

ABSTRACT

This paper proposes a learning method for denoising gyroscopes of Inertial Measurement Units (IMUs) using ground truth data, and estimating in real time the orientation (attitude) of a robot in dead reckoning. The obtained algorithm outperforms the state-of-the-art on the (unseen) test sequences. The obtained performances are achieved thanks to a well-chosen model, a proper loss function for orientation increments, and through the identification of key points when training with high-frequency inertial data. Our approach builds upon a neural network based on dilated convolutions, without requiring any recurrent neural network. We demonstrate how efficient our strategy is for 3D attitude estimation on the EuRoC and TUM-VI datasets. Interestingly, we observe our dead reckoning algorithm manages to beat top-ranked visual-inertial odometry systems in terms of attitude estimation although it does not use vision sensors. We believe this paper offers new perspectives for visual-inertial localization and constitutes a step toward more efficient learning methods involving IMUs. Our open-source implementation is available at https://github.com/mbrossar/denoise-imu-gyro.

研究の動機と目的

• 低コストIMUジャイロのデノイズ化を動機づけて姿勢推定を改善する。
• IMUデータの短い履歴からジャイロの測定値の補正を出力するCNNベースのモデルを開発する。
• 地上真実の姿勢から堅牢に学習できるよう、姿勢増分に焦点を当てた訓練損失を設計する。
• 実データセット（EuRoCとTUM-VI）上で、最新のIMUおよび視覚慣性系手法と比較して手法を評価する。
• オープンソースのコードを提供し、オフラインIMU較正とオープンループデッドレコニングの効率性を実証する。

提案手法

• 過去のIMU測定値のウィンドウからジャイロの補正を予測するために、拡張畳み込みを用いた畳み込みニューラルネットワークを使用する。
• 補正後のジャイロを ω̂_n = Ĉ_ω ω_n^IMU + ω̃_n としてモデル化する。ここで Ĉ_ω は軸のミスアライメントとスケールを説明し、ω̃_n はバイアスと時間変化効果を捉える。
• 過去データの2.24秒に相当する窓長 N を持つ小規模ネットワーク（77,052パラメータ）を採用し、リカレントネットを避ける。
• 統合された姿勢増分に対する損失を用いて、サブ区間（L_j、j=16およびj=32）で地上真実と推定姿勢を比較することでネットワークを訓練する。
• データ拡張（Gaussianノイズ）と正規化を取り入れ、効率的な収束のためにAdamとコサインリスタートで訓練する。
• EuRoC（ドローン）およびTUM-VI（ハンドヘルド）データセットで評価し、校正済みIMU、OriNet、VIOベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 拡張畳み込みCNNは、再帰なしで過去のIMUデータのみを使用して高周波のIMUジャイロを効果的にデノイズできるか。
• RQ2 ジャイロ測定値の補正は、校正済みIMUおよびVIO手法と比較した場合、オープンループ姿勢推定にどのように影響するか。
• RQ3 IMU周波数の低下時に、地上真実の姿勢からの姿勢増分の学習を最も効果的に促す損失式は何か。
• RQ4 実データセットでの提案手法のデータ効率（必要な訓練データ量）と計算効率はどの程度か。

主な発見

• 提案手法はEuRoCおよびTUM-VIで、OriNetを上回り、IMUデータのみで視覚-慣性手法に近い姿勢（AOE/ROE）と航向誤差を達成する競争力のある姿勢推定を実現した。
• 学習した補正を用いたIMUの較正は、未補正/校正前のIMU基準より大幅な精度向上をもたらし、一部のVIO手法を姿勢推定で凌ぐことがある。
• 中央値のヨー/姿勢誤差は EuRoCで1.34 degrees per minute、TUM-VIで0.68 degrees per minute まで低下した。
• この手法はコンパクトなネットワーク（77k parameters）と拡張畳み込みと木構造の損失評価を活用した効率的な計算によって、データセットごとに5分未満の訓練時間で学習できる。
• ヨー推定は特に正確で、視覚情報を用いなくても姿勢精度でVIOと競合する。
• 訓練が速く、実行も軽量で、オンボードやリソース制約のある状況に適している。