[논문 리뷰] Adaptive Step Size Learning with Applications to Velocity Aided Inertial Navigation System

Barak Or, Itzik Klein|arXiv (Cornell University)|2022. 06. 27.

Underwater Vehicles and Communication Systems참고 문헌 46인용 수 8

한 줄 요약

이 논문은 DVL나 GNSS와 같은 저속도 센서로 보조되는 관성항법시스템(INS)을 위한 지도학습 기반의 적응형 스텝 사이즈 조정 방법을 제안한다. 항법 특징과 부분 최적의 IMU 스텝 사이즈 간의 관계를 학습함으로써 속도 오차를 최소화하면서도 계산 부하를 감소시키는 접근법으로, AUV 및 큐드로터에서의 시뮬레이션과 현장 실험 모두에서 뚜렷한 효율성 향상을 보였다.

ABSTRACT

Autonomous underwater vehicles (AUV) are commonly used in many underwater applications. Recently, the usage of multi-rotor unmanned autonomous vehicles (UAV) for marine applications is receiving more attention in the literature. Usually, both platforms employ an inertial navigation system (INS), and aiding sensors for an accurate navigation solution. In AUV navigation, Doppler velocity log (DVL) is mainly used to aid the INS, while for UAVs, it is common to use global navigation satellite systems (GNSS) receivers. The fusion between the aiding sensor and the INS requires a definition of step size parameter in the estimation process. It is responsible for the solution frequency update and, eventually, its accuracy. The choice of the step size poses a tradeoff between computational load and navigation performance. Generally, the aiding sensors update frequency is considered much slower compared to the INS operating frequency (hundreds Hertz). Such high rate is unnecessary for most platforms, specifically for low dynamics AUVs. In this work, a supervised machine learning based adaptive tuning scheme to select the proper INS step size is proposed. To that end, a velocity error bound is defined, allowing the INS/DVL or the INS/GNSS to act in a sub-optimal working conditions, and yet minimize the computational load. Results from simulations and field experiment show the benefits of using the proposed approach. In addition, the proposed framework can be applied to any other fusion scenarios between any type of sensors or platforms.

연구 동기 및 목표

• 계산 부하와 항법 정확도 사이의 상충 관계를 해결하기 위해 실시간으로 IMU 스텝 사이즈를 동적으로 조정함으로써 성능을 햖결.
• 실시간 항법 특징을 기반으로 부분 최적의 스텝 사이즈를 선택하는 학습 기반 프레임워크를 개발하여 속도 오차를 최소화함.
• AUV 및 큐드로터를 활용한 시뮬레이션 및 실제 환경에서의 실험을 통해 접근법을 검증함. 이는 속도 보조가 가능한 INS를 포함함.

제안 방법

• 부분 최적의 운영을 허용하면서도 수용 가능한 정확도를 유지할 수 있도록 속도 오차 한계를 정의함.
• 속도, 가속도, 센서 업데이트 주기와 같은 항법 특징을 기반으로 최적의 IMU 스텝 사이즈를 예측하기 위해 지도학습 모델을 훈련함.
• 온라인 학습을 EKF와 통합하여 항법 중 실시간으로 스텝 사이즈를 적응적으로 조정할 수 있도록 프레임워크를 설계함.
• 예측 성능 향상을 위해 관련 상태 변수(예: 속도, 회전률)를 추출하는 특징 공학 기법을 적용함.
• 스텝 사이즈 선택을 양자분류 문제(큰 vs. 작은 스텝 사이즈)로 설정하여 진동을 줄이고 필터 안정성을 향상시킴.
• 큐드로터 UAV의 실제 비행 데이터와 함께 시뮬레이션 데이터를 활용하여 방법을 검증함.

실험 결과

연구 질문

• RQ1 적응형 스텝 사이즈 선택은 INS/DVL 및 INS/GNSS 융합 시스템에서 속도 오차에 어떤 영향을 미치는가?
• RQ2 지난학습 기반 모델이 실시간 항법 특징을 기반으로 부분 최적의 IMU 스텝 사이즈를 효과적으로 예측할 수 있는가?
• RQ3 적응형 스텝 사이즈 조정을 통해 계산 부하 감소와 항법 정확도 사이의 상충 관계는 어떻게 변화하는가?
• RQ4 고정 스텝 사이즈 방법과 비교했을 때 제안된 방법은 성능 및 효율성 측면에서 어떻게 다른가?
• RQ5 이 프레임워크는 DVL 및 GNSS를 초월한 다른 센서 융합 시나리오로 일반화될 수 있는가?

주요 결과

• 제안된 적응형 스텝 사이즈 학습 기법은 계산 부하를 크게 감소시키면서도 속도 추정 정확도를 수용 가능한 범위 내에서 유지함.
• 시뮬레이션과 현장 실험 결과, 고정된 작은 스텝 사이즈 방법과 유사한 속도 RMSE를 달성했지만 IMU 업데이트 횟수를 줄임.
• 스텝 사이즈 선택을 양자분류 문제로 설정함으로써 다중 클래스 또는 회귀 기반 접근법에 비해 진동을 줄이고 필터 안정성을 향상시킴.
• 저운동 상태 환경에서는 IMU 반복 횟수를 최대 90%까지 감소시켰지만 성능 저하 없이 성공적으로 구현됨.
• 이 방법은 DVL 및 GNSS 외의 다른 센서나 플랫폼을 사용하는 모든 INS 보조 항법 시스템에 일반화 가능하고 적용 가능함.