[論文レビュー] RoNIN: Robust Neural Inertial Navigation in the Wild: Benchmark, Evaluations, and New Methods

Hang Yan, Sachini Herath+1 more|arXiv (Cornell University)|May 30, 2019

Robotics and Sensor-Based Localization参考文献 2被引用数 37

ひとこと要約

本論文は RoNIN を提案する。大規模な慣性航法ベンチマークと、IMUデータから位置と身体方位推定を改善するニューラルアーキテクチャを提供する。広範な評価とコード/データの公開を伴う。

ABSTRACT

This paper sets a new foundation for data-driven inertial navigation research, where the task is the estimation of positions and orientations of a moving subject from a sequence of IMU sensor measurements. More concretely, the paper presents 1) a new benchmark containing more than 40 hours of IMU sensor data from 100 human subjects with ground-truth 3D trajectories under natural human motions; 2) novel neural inertial navigation architectures, making significant improvements for challenging motion cases; and 3) qualitative and quantitative evaluations of the competing methods over three inertial navigation benchmarks. We will share the code and data to promote further research.

研究の動機と目的

• 堅牢な学習のための、地上真値軌跡を含む大規模で自然主義的な慣性航法データセットを確立する。
• 多様な条件下で IMU シーケンスからの運動推定を改善するニューラルアーキテクチャ（RoNIN の派生型）を提案する。
• ノイズのある地上真値速度からの学習を強化するために、座標系正規化と頑健な速度損失を導入する。
• 複数のベンチマークで RoNIN を既存のベースラインと比較して評価し、未知の被験者への一般化を分析する。

提案手法

• ヘディング非依存座標系（HACF）への座標系正規化を実施し、座標系依存のばらつきを取り除く。
• IMU履歴からフレームごとの速度を回帰する RoNIN の 3 つのバックボーン：RoNIN-ResNet、RoNIN-LSTM、RoNIN-TCN。
• 頑健な速度損失：潜在速度損失（速度列を積分して地上真値位置と一致させる）とストライド速度損失（固定ストライドでの位置デルタと一致させる）。
• RoNIN ボディ方位ネットワークは、正規化制約付きで sin/cos 値として時間とともに方位を予測する LSTM ベースのアーキテクチャを使用。
• 自然なデバイス操作を可能にしつつ、体に装着した 3D トラッキング端末から地上真値のボディ軌跡を提供する 2 デバイスデータ収集プロトコル。

実験結果

リサーチクエスチョン

• RQ1 自然主義設定で、データ駆動型の慣性航法は unconstrained IMU シーケンスから堅牢なボディ軌跡を学べるか？
• RQ2 異なるニューラルバックボーン（ResNet、LSTM、TCN）は IMU 履歴からの速度回帰でどのように比較されるか？
• RQ3 ヘディング-アンアガスト座標系と頑健な速度損失は、見た被験者および未見の被験者の両方で頑健性と精度を改善するか？
• RQ4 大規模で多様な慣性航法ベンチマークにおける RoNIN の既存ベースラインに対する性能はどの程度か？
• RQ5 RoNIN は未知の被験者や異なるデバイス配置にどの程度一般化できるか？

主な発見

• RoNIN は RIDI および RoNIN データセットでベースラインと比較して位置推定を大幅に改善し、他の手法が苦手とする複雑かつ自然な動作に対応する。
• RoNIN アーキテクチャは、見たことのある被験者と未見の被験者の双方で全体的な堅牢性を向上させ、アブレーションにより座標系正規化と頑健な速度損失の重要性が示される。
• データセットは、3 台の Android デバイスにわたる 100 名の被験者からの 42.7 時間を超える IMU データで構成され、自然な取り扱いと地上真値のボディ軌跡を捉える 2 デバイスプロトコルで収集された。
• RoNIN ヘディングネットワークを用いたヘディング推定は、デバイスの方位だけに依存するベースラインよりもボディの方位をより正確に予測できるが、いくつかの複雑な動作には依然課題がある。
• アブレーション研究は、座標系正規化と頑健な速度損失を組み合わせると、アーキテクチャを超えて最も低い誤差を得られることを示している。