[論文レビュー] IDOL: Inertial Deep Orientation-Estimation and Localization

Scott Sun, Dennis Melamed+1 more|arXiv (Cornell University)|Feb 8, 2021

Indoor and Outdoor Localization Technologies参考文献 28被引用数 5

ひとこと要約

IDOLは、最初にLSTMと拡張カルマンフィルタ（EKF）を用いてIMUデータからデバイスの姿勢を推定し、次に補正された姿勢を用いて3次元位置推定を向上させる2段階のエンドツーエンドディープラーニングパイプラインを提案する。15名の被験者による20時間にわたる複数建物のデータセットにおいて、現在の最先端の性能を達成し、姿勢推定誤差と位置推定誤差の両方を顕著に低減した。

ABSTRACT

Many smartphone applications use inertial measurement units (IMUs) to sense movement, but the use of these sensors for pedestrian localization can be challenging due to their noise characteristics. Recent data-driven inertial odometry approaches have demonstrated the increasing feasibility of inertial navigation. However, they still rely upon conventional smartphone orientation estimates that they assume to be accurate, while in fact these orientation estimates can be a significant source of error. To address the problem of inaccurate orientation estimates, we present a two-stage, data-driven pipeline using a commodity smartphone that first estimates device orientations and then estimates device position. The orientation module relies on a recurrent neural network and Extended Kalman Filter to obtain orientation estimates that are used to then rotate raw IMU measurements into the appropriate reference frame. The position module then passes those measurements through another recurrent network architecture to perform localization. Our proposed method outperforms state-of-the-art methods in both orientation and position error on a large dataset we constructed that contains 20 hours of pedestrian motion across 3 buildings and 15 subjects.

研究の動機と目的

• 不正確なスマートフォンの姿勢推定が位置推定に誤差を累積させるというインertial dead reckoningにおける重要な制限を解消すること。
• 市販スマートフォンのIMUデータのみを用いて、エンドツーエンドで姿勢と位置推定を共同最適化するデータ駆動型のシステムを開発すること。
• 6次元ポーズ（3次元位置＋姿勢）アノテーションを備えた大規模で複数建物・複数被験者を含むデータセットを構築し、インertial localization分野の研究を支援すること。
• 姿勢推定の向上が、特に大規模で複雑な環境において位置推定精度に顕著な向上をもたらすことを実証すること。

提案手法

• 短い時間窓内の生のIMUデータ（加速度計、ジャイロスコープ、磁力計）を処理する再帰的ニューラルネットワーク（LSTM）を用いて、初期の姿勢推定を実施する。
• LSTMの出力を拡張カルマンフィルタ（EKF）と統合して、ノイズとドリフトを低減し、姿勢推定を精緻化・安定化する。
• 推定された姿勢を用いて、センサフレームのデータをグローバル基準フレームに回転させ、補正されたIMU測定値を生成する。
• 補正済みのIMU測定値を2番目のRNNベースのネットワークに通し、エンドツーエンド学習により2次元または3次元のデバイス位置を推定する。
• 真値の6次元ポーズアノテーションを用いて、2段階の教師あり学習によりシステム全体を訓練する：まず姿勢、次に位置。
• 複数の建物における多様な運動パターンと磁気環境で学習することで、モデルの一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの姿勢推定器は、従来のスマートフォンの姿勢推定と比較して、インertial歩行者ナビゲーションの精度を顕著に向上させることができるか？
• RQ2 磁気的および構造的特性が異なる建物間で、エンドツーエンドのインertialナビゲーション性能はどのように変化するか？
• RQ3 学習された姿勢モジュールは、大規模で現実世界の環境において、ドリフトをどれほど低減し、位置推定を向上させることができるか？
• RQ4 未知の建物や磁気環境に一般化する際のデータ駆動型インertialナビゲーションの失敗モードは何か？
• RQ5 プラグイン型の姿勢モジュールは、再訓練なしに既存のインertial dead reckoningシステムの性能を向上させることができるか？

主な発見

• IDOLは、20時間にわたる複数建物のデータセットにおいて、現在の最先端の手法を上回る性能を達成し、平均軌道誤差（ATE）と相対的軌道誤差（RTE）の両方を低減した。
• iPhone 8のデフォルトの姿勢推定と比較して、姿勢モジュールが20°以上の姿勢誤差低減を達成し、後続の位置推定の精度向上に顕著に寄与した。
• プラグイン型コンponentとして利用された場合、IDOLの姿勢モジュールはRoNIN や TLIO といった既存のモデルの性能を向上させ、真値の姿勢が利用可能な場合の性能上限にほぼ達した。
• 多様なデータで学習した場合、未知の被験者や建物に対しても良好な一般化性能を示したが、強い磁気歪みを示す環境では性能が低下した。
• 磁力計データの使用により、磁気環境下でも正確な姿勢推定が可能になったが、異なる磁気場を持つ新規の建物では失敗モードが発生した。
• 建物間での評価では、分布シフトのため位置推定に失敗した。これは、現実世界への導入におけるデータ駆動型インertialナビゲーションの主要な課題を示している。