[論文レビュー] OxIOD: The Dataset for Deep Inertial Odometry

Changhao Chen, Peijun Zhao+4 more|arXiv (Cornell University)|Sep 20, 2018

Indoor and Outdoor Localization Technologies参考文献 24被引用数 59

ひとこと要約

OxIODは、ground-truthラベルを備えた大規模で多様な慣性オドメトリデータセットを提供し、158シーケンスの総距離42.587 km、学習ベースの慣性航法研究を可能にします。

ABSTRACT

Advances in micro-electro-mechanical (MEMS) techniques enable inertial measurements units (IMUs) to be small, cheap, energy efficient, and widely used in smartphones, robots, and drones. Exploiting inertial data for accurate and reliable navigation and localization has attracted significant research and industrial interest, as IMU measurements are completely ego-centric and generally environment agnostic. Recent studies have shown that the notorious issue of drift can be significantly alleviated by using deep neural networks (DNNs), e.g. IONet. However, the lack of sufficient labelled data for training and testing various architectures limits the proliferation of adopting DNNs in IMU-based tasks. In this paper, we propose and release the Oxford Inertial Odometry Dataset (OxIOD), a first-of-its-kind data collection for inertial-odometry research, with all sequences having ground-truth labels. Our dataset contains 158 sequences totalling more than 42 km in total distance, much larger than previous inertial datasets. Another notable feature of this dataset lies in its diversity, which can reflect the complex motions of phone-based IMUs in various everyday usage. The measurements were collected with four different attachments (handheld, in the pocket, in the handbag and on the trolley), four motion modes (halting, walking slowly, walking normally, and running), five different users, four types of off-the-shelf consumer phones, and large-scale localization from office buildings. Deep inertial tracking experiments were conducted to show the effectiveness of our dataset in training deep neural network models and evaluate learning-based and model-based algorithms. The OxIOD Dataset is available at: http://deepio.cs.ox.ac.uk

研究の動機と目的

• 学習ベースの慣性航法を前進させるための、 大規模で多様かつラベル付きの慣性オドメトリデータセットを提供する。
• 現実世界の使用を反映するため、さまざまなデバイス配置で日常的な歩行者の動作を捉える。
• 慣性オドメトリと歩行者デッドレコニングの深層学習モデルの訓練と評価を可能にする。
• モデルとベースラインの客観的ベンチマークを支援するため、正確な ground-truth軌跡を提供する。

提案手法

• 市販のスマートフォンを4つの取り付け形式（手持ち、ポケット、ハンドバッグ、キャリーバック）に配置して、総距離42.587 kmの158の慣性シーケンスを収集する。
• ほとんどのシーケンスについてViconモーションキャプチャシステム（0.5 mm精度）で高精度なground truthを記録する; 大規模なオフィスフロアデータには擬似 ground truth としてGoogle Tangoを使用する。
• 5人のユーザーを対象に、動作（停止、低速歩行、通常歩行、走行）とデバイス（iPhone 7 Plus、6、5、Nexus 5）を変化させる。
• OxIODデータ上でIONetに基づく学習ベースの慣性オドメトリモデルと、シンプルなPDRベースラインを訓練・評価する。
• リカレントニューラルネットワークを用いて、生データの速度と方位推定回帰およびエンドツーエンドの2D軌跡再構成を実証する。

実験結果

リサーチクエスチョン

• RQ1 OxIODで訓練された深層学習モデルは、多様なデバイス配置と動作モードに跨って、生データから歩行者の軌跡を正確に再構成できるか。
• RQ2 OxIODのground-truth軌跡で評価した場合、モデルベースの慣性オドメトリとデータ駆動アプローチはどう比較されるか。
• RQ3 取り付けタイプ、動作モード、デバイスが慣性オドメトリの性能に与える影響は何か。
• RQ4 OxIODは現実世界のシナリオで新しいユーザーとデバイスに一般化するモデルを訓練するのに適しているか。

主な発見

• DeepIO（IONetベース）のモデルは、生データから2D軌跡を再構成し、アタッチメントをまたいだ速度と方位の回帰を示すことができる。
• Viconのground-truthデータは132シーケンス（大規模サブセットを除く）で0.5 mm精度を提供し、正確な評価を可能にする。
• OxIODは158シーケンス、総距離42.587 km、記録時間14.72時間からなり、サイズと多様性の点でほとんどの既存慣性オドメトリデータセットを上回る。
• Google Tangoを用いた大規模なローカリゼーションデータは、長い軌跡を評価するために2つのオフィスフロアで擬似ground truthを提供する。
• PDRベースラインは非階段状の配置（例：トロリー）で失敗する一方、学習ベースの手法は現実世界のさまざまな配置で有効性を示す。