[論文レビュー] IONet: Learning to Cure the Curse of Drift in Inertial Odometry

Changhao Chen, Xiaoxuan Lu+2 more|arXiv (Cornell University)|Jan 30, 2018

Indoor and Outdoor Localization Technologies参考文献 23被引用数 29

ひとこと要約

IONetは、IMUデータを独立した時間窓に分割することで、インertialオドメトリを逐次学習問題に再定式化する深層学習フレームワークを提案する。再帰ニューラルネットワーク（RNN）を用いて、生の慣性データから速度や姿勢などの潜在状態を推定する。従来のSINSおよびPDR手法を上回り、視覚入力がなくても、連続的な屋内位置特定において高い精度を達成し、たるみやスティールの動きといった周期的でない運動にも一般化可能である。

ABSTRACT

Inertial sensors play a pivotal role in indoor localization, which in turn lays the foundation for pervasive personal applications. However, low-cost inertial sensors, as commonly found in smartphones, are plagued by bias and noise, which leads to unbounded growth in error when accelerations are double integrated to obtain displacement. Small errors in state estimation propagate to make odometry virtually unusable in a matter of seconds. We propose to break the cycle of continuous integration, and instead segment inertial data into independent windows. The challenge becomes estimating the latent states of each window, such as velocity and orientation, as these are not directly observable from sensor data. We demonstrate how to formulate this as an optimization problem, and show how deep recurrent neural networks can yield highly accurate trajectories, outperforming state-of-the-art shallow techniques, on a wide range of tests and attachments. In particular, we demonstrate that IONet can generalize to estimate odometry for non-periodic motion, such as a shopping trolley or baby-stroller, an extremely challenging task for existing techniques.

研究の動機と目的

• スマートフォンにおけるセンサーノイズやバイアスによって引き起こされる低コストインertialオドメトリのずれの問題に対処すること。
• 周期的運動の仮定に依存しないようにすることで、トロリーなどの周期的でない運動の追跡を可能にすること。
• ステップ検出やストライド推定といった手作業で設計されたモジュールを回避する統合的でエンドツーエンドの深層学習フレームワークを構築すること。
• 再トレーニングなしでユーザー、デバイス、アタッチメントの多様性に一般化し、実世界の屋内環境における耐障害性を向上させること。
• SINSおよびPDR手法を上回る高精度で連続的な軌道推定を、生のインertialデータのみで達成すること。

提案手法

• IONetは、生のIMUデータを独立した時間窓に分割することで、インエラシャルオドメトリを逐次学習問題に再定式化する。
• ニュートン力学から導かれる最適化問題として、潜在状態（速度および姿勢）の推定を定式化する。
• 生のIMU測定値から極座標における運動変換を予測するため、深層再帰ニューラルネットワーク（RNN）を訓練し、頑健な状態推定を実現する。
• 複数のユーザー、デバイス、アタッチメントタイプ（例：手、ポケット、トロリー）で収集した大規模データセット上でエンドツーエンドでモデルを訓練する。
• ネットワークはステップ検出やヘディング推定を明示的に行わず、慣性信号から直接運動特性を推定する。
• フレームワークはアタッチメントに依存しないように設計されており、異なるセンサーレイアウトや運動タイプに一般化可能である。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、周期的運動の手がかりに依存せずに、生のIMUデータからインエラシャルオドメトリを効果的に推定できるか？
• RQ2 1つのニューラルネットワークは、多様なユーザー行動、デバイスタイプ、センサーアタッチメントにどの程度一般化できるか？
• RQ3 提案手法は、大規模な屋内環境において、従来のSINSおよびPDRを精度と耐障害性の面で上回ることができるか？
• RQ4 トロリーまたはベビーカーの移動のような周期的でない、車輪付きの運動をどの程度効果的に処理できるか？
• RQ5 トレーニング時に見られなかった高バイアスや異なる歩行習慣の下でも、ネットワークの性能は維持されるか？

主な発見

• IONetは、大規模な屋内位置特定において、従来のSINSおよびPDR手法を顕著に上回り、100mの軌道で平均して位置誤差を最大60％まで低減した。
• トロリー追跡において、視覚インertialオドメトリ（Tango）と同等の精度を達成したが、低照度や特徴のない環境でもより頑健であった。
• 複数のユーザーとデバイスにおいても、IONetは低誤差を維持し、センサーアタッチメントの変化に対しても頑健な性能を示した。
• ステップベースのPDRが完全に失敗する状況である、ショッピングトロリーの押走など、周期的でない運動に対しても、効果的に一般化した。
• トロリー追跡において、IONetは50mの距離で中央値位置誤差1.2mを達成し、Tangoと同等の性能を示したが、完全にインエラシャルであり、環境の遮蔽に敏感ではなかった。
• 10 Hzのサンプリングレートでも安定した性能を示し、ゼロ速度更新やステップ検出に依存せずに、連続的な軌道を生成した。