[論文レビュー] Inertial Sensing Meets Artificial Intelligence: Opportunity or Challenge?

You Li, Ruizhi Chen+5 more|arXiv (Cornell University)|Jul 13, 2020

Indoor and Outdoor Localization Technologies参考文献 56被引用数 9

ひとこと要約

本稿は、人工知能（AI）と慣性センシングの統合をレビューし、センサ設計、キャリブレーション、ナビゲーションアルゴリズム、マルチセンサ融合の分野における応用を分析している。AI強化慣性センシングにおける9つの主な利点と9つの課題を特定し、位置決め、ナビゲーション、モーショントラッキングシステムにおける精度、信頼性、リアルタイム性能の向上を目指すために、幾何モデルとAIを組み合わせたハイブリッドアプローチの必要性を強調している。

ABSTRACT

The inertial navigation system (INS) has been widely used to provide self-contained and continuous motion estimation in intelligent transportation systems. Recently, the emergence of chip-level inertial sensors has expanded the relevant applications from positioning, navigation, and mobile mapping to location-based services, unmanned systems, and transportation big data. Meanwhile, benefit from the emergence of big data and the improvement of algorithms and computing power, artificial intelligence (AI) has become a consensus tool that has been successfully applied in various fields. This article reviews the research on using AI technology to enhance inertial sensing from various aspects, including sensor design and selection, calibration and error modeling, navigation and motion-sensing algorithms, multi-sensor information fusion, system evaluation, and practical application. Based on the over 30 representative articles selected from the nearly 300 related publications, this article summarizes the state of the art, advantages, and challenges on each aspect. Finally, it summarizes nine advantages and nine challenges of AI-enhanced inertial sensing and then points out future research directions.

研究の動機と目的

• AI強化慣性センシングの分野における最新技術を、慣性センシングの応用の全段階にわたり体系的にレビューすること。
• AIを慣性センシングに統合する際の利点と課題を特定・分析し、特に従来の幾何モデル手法と比較しての特徴を明らかにすること。
• AIが慣性ナビゲーションシステムにおけるセンサキャリブレーション、誤差モデリング、モーショントラッキング、マルチセンサ統合の改善に果たす役割を評価すること。
• ラベル付きデータへの依存、高い計算負荷、解釈不能性といった、現在のAI応用における制限要因を明らかにすること。
• 自律システム、ウェアラブルデバイス、モーショントラッキングビッグデータ分野における、AIと慣性センシングのより深い統合を促進する今後の研究方向性を提案すること。

提案手法

• AI強化慣性センシング分野に関連する約300件の出版物の中から、30件の代表的論文を対象に体系的レビューを実施した。
• AIの役割に応じて応用を分類した：センサハードウェア、キャリブレーション、ナビゲーションアルゴリズム、マルチセンサ統合、システム評価。
• 使用されたAIモデルを分類した：人工ニューラルネットワーク（ANN）、ANFIS、遺伝的アルゴリズム、ディープ強化学習（DRL）、経験モード分解。
• AI応用における入力・出力データフローを分析した。例：バイアス推定やモーショントラッキング分類のためのセンサデータ。
• 推定精度、計算負荷、異なるプラットフォーム（例：自動車、ロボット、ウェアラブルデバイス）における汎化能力といった指標を用いて性能を評価した。
• 短期的な精度を維持しつつ、非線形で時間変動する動的環境への適応性を高めるために、幾何的慣性モデルとAIを融合するハイブリッドフレームワークを提案した。

実験結果

リサーチクエスチョン

• RQ1 AIは、センサ設計からシステムレベルの応用まで、慣性センシングの全パイプラインにおいて、どのように性能を向上させ得るか？
• RQ2 従来の幾何モデル手法と比較して、AIを用いた慣性センサキャリブレーション、誤差モデリング、モーショントラッキングの主な利点と制限は何か？
• RQ3 分類タスクにおいて優れた性能を示しているにもかかわらず、パrameter推定やセンサハードウェア設計分野ではAIの応用に格差が生じる理由は何か？
• RQ4 AIを幾何的慣性アルゴリズムと効果的に統合することで、短期的な精度を維持しつつ、非線形性や時間変動する誤差への適応性をどのように向上できるか？
• RQ5 AIが慣性センシングに広く採用されるのを妨げる主な障壁は何か。また、データ、アルゴリズム、システムレベルのイノベーションによって、それらの障壁はどのように克服できるか？

主な発見

• AIは、十分なラベル付きデータが利用可能な場合、モーショントラッキング分類やバイアス推定といった慣性センシングタスクで優れた性能を示している。
• 現在の研究では教師ありAI手法が支配的であるが、非教師ありおよび自己教師ありアプローチは未開発に近く、複雑な慣性センシング問題に対しては精度が低い。
• AIベースの慣性ナビゲーションシステムは、特に回帰ベースのパrameter推定において、従来の幾何アルゴリズムに比べて高い計算負荷を示す傾向にある。
• 公開され、標準化されたデータセットの欠如が、研究の再現性や公平な比較を阻害しており、分野の進展を遅らせている。
• AIモデルは、慣性システム内の物理的・幾何的関係を曇らせる傾向があり、可視性解析がなければ、性能予測が困難になる。
• 幾何的慣性モデルとAIを融合するハイブリッドアプローチは、短期的な精度を維持しつつ、非線形的・高ノイズ的・時間変動する環境でも頑健性を高められる可能性を示している。