[論文レビュー] Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions

Nadav Cohen, Itzik Klein|arXiv (Cornell University)|Jun 22, 2023

Inertial Sensor and Navigation被引用数 5

ひとこと要約

本調査は、陸上、航空、海上プラットフォームにおける位置、速度、姿勢推定の向上を目的として、インertialナビゲーションにおける深層学習（DL）の応用をレビューする。DLに基づくセンサーフュージョン、フィルターパrameter学習、センサーキャリブレーションを検討し、RNNおよびCNNがアーキテクチャにおいて支配的であることが明らかになった。近年のトレンドとして、従来のモデルベース手法に比べて性能が向上するトランスフォーマーにインspiredされたモデルへのシフトが見られる。

ABSTRACT

Inertial sensing is used in many applications and platforms, ranging from day-to-day devices such as smartphones to very complex ones such as autonomous vehicles. In recent years, the development of machine learning and deep learning techniques has increased significantly in the field of inertial sensing and sensor fusion. This is due to the development of efficient computing hardware and the accessibility of publicly available sensor data. These data-driven approaches mainly aim to empower model-based inertial sensing algorithms. To encourage further research in integrating deep learning with inertial navigation and fusion and to leverage their capabilities, this paper provides an in-depth review of deep learning methods for inertial sensing and sensor fusion. We discuss learning methods for calibration and denoising as well as approaches for improving pure inertial navigation and sensor fusion. The latter is done by learning some of the fusion filter parameters. The reviewed approaches are classified by the environment in which the vehicles operate: land, air, and sea. In addition, we analyze trends and future directions in deep learning-based navigation and provide statistical data on commonly used approaches.

研究の動機と目的

• インertialナビゲーションシステムへの深層学習の統合をレビューし、精度と耐障害性を向上させること。
• 陸上、航空、海上分野におけるナビゲーション性能の向上に向けたデータ駆動型アプローチの現在のトレンドを分析すること。
• インertial測定ユニット（IMU）におけるセンサーキャリブレーション、ノイズ除去、および適応的フィルターパrameter学習のためのDL技術を調査すること。
• 主な深層学習アーキテクチャと、それらが異なるナビゲーションシナリオで示す性能を特定すること。
• トランスフォーマーに基づくモデルやハイブリッドアーキテクチャを含む、インエントリアルナビゲーションにおける新たな研究分野を強調すること。

提案手法

• 本論文は、応用分野（陸上、航空、海上）、タスクタイプ（純粋インエントリアル、センサーフュージョン、キャリブレーション）およびネットワークアーキテクチャごとに分類された、230件以上のインエントリアルナビゲーションにおける深層学習に関する研究を体系的レビューする。
• 深層学習手法を4つのアーキテクチャストリームに分類する：多層パーセプトロン（MLP）、畳み込みニューラルネットワーク（CNN）、再帰的ニューラルネットワーク（RNN）、およびその他のもの（例：トランスフォーマー、強化学習）。
• DL統合戦略を2つに分析する：(1) インエントリアルデータから全ナビゲーション状態または残差状態を回帰するためのDLの使用、(2) EKF や UKF などの非線形フィルタにおけるノイズ共分散行列などのフィルターパrameterを推定するためのDLの使用。
• アーキテクチャ使用頻度と研究焦点に関する統計的分析を実施し、フィルターパrameter学習と状態推定のトレンドを含む。
• リアルタイム適用可能性と異なるIMUの品質および運動ダイナミクスにわたる一般化性に注目して、プラットフォーム間での性能比較分析を実施する。
• トランスファー学習、GAN、およびシーケンスモデリングが、センサーノイズや動的環境に対する耐障害性を向上させる役割を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層学習手法は、陸上、航空、海上プラットフォームにおけるインエントリアルナビゲーション性能の向上にどのように応用されてきたか？
• RQ2 インエントリアルナビゲーションで使用されている主な深層学習アーキテクチャは何か？ それらは性能と効率性においてどのように比較されるか？
• RQ3 データ駆動型アプローチは、従来のモデルベースのインエントリアルナビゲーションおよびセンサーフュージョン技術をどの程度上回っているか？
• RQ4 近年、直接的な状態推定から適応的フィルターパrameter学習への研究の焦点がどのように移行したか？
• RQ5 トランスフォーマーのような新たなアーキテクチャは、次世代インエントリアルナビゲーションシステムにおいてどのような可能性を示しているか？

主な発見

• レビュー対象論文の81%が位置、速度、姿勢推定の向上を目的としており、残りの19%がフィルターパrameter最適化を目的としている。特に過去3年間で後者分野の研究が顕著に増加している。
• 再帰的ニューラルネットワーク（RNN）およびその変種（LSTM、GRU）は、順序的なインエントリアルデータに適しているとして、最も広く使用されているアーキテクチャである。一方、CNNおよび1D-CNNも強力な性能を示している。
• 最近の文献ではトランスフォーマーおよびBERTに類似したアーキテクチャが登場しており、自然言語処理にインスパイアされたアテンションベースのモデルが、より優れた時間的モデリングを実現する傾向にあることが示唆されている。
• CNNとRNNを組み合わせたハイブリッドアーキテクチャ（例：CNN-LSTM）は、IMU信号における局所的パターンと長期的依存関係の両方を捉えるために、ますます多く使われている。
• DLに基づくセンサーキャリブレーションおよびノイズ除去手法は、低価格IMUにおけるバイアスおよびスケールファクタ誤差を低減する上で顕著な可能性を示している。
• 特にノイズ共分散行列の推定に向けたセンサーフュージョンパイプラインへの深層学習の統合は、GNSS不可環境下でも耐障害性と精度が向上した。