[논문 리뷰] Data-Driven Denoising of Stationary Accelerometer Signals

Daniel Engelsman, Itzik Klein|arXiv (Cornell University)|2022. 06. 13.

Inertial Sensor and Navigation참고 문헌 49인용 수 4

한 줄 요약

이 논문은 기계 학습을 활용하여 정적 가속도계 신호에 대한 데이터 기반 노이즈 제거 방법을 제안하며, 특히 k-최근접 이웃(kNN) 및 딥 러닝 모델을 사용하여 전통적인 신호 처리 기법을 능가한다. 이 방법은 정적 거시적 정렬 동안 각도 오차를 한 계급 수준으로 감소시켜 시뮬레이션 및 실제 데이터에서 뛰어난 노이즈 억제 및 항법 성능을 보여준다.

ABSTRACT

Modern navigation solutions are largely dependent on the performances of the standalone inertial sensors, especially at times when no external sources are available. During these outages, the inertial navigation solution is likely to degrade over time due to instrumental noises sources, particularly when using consumer low-cost inertial sensors. Conventionally, model-based estimation algorithms are employed to reduce noise levels and enhance meaningful information, thus improving the navigation solution directly. However, guaranteeing their optimality often proves to be challenging as sensors performance differ in manufacturing quality, process noise modeling, and calibration precision. In the literature, most inertial denoising models are model-based when recently several data-driven approaches were suggested primarily for gyroscope measurements denoising. Data-driven approaches for accelerometer denoising task are more challenging due to the unknown gravity projection on the accelerometer axes. To fill this gap, we propose several learning-based approaches and compare their performances with prominent denoising algorithms, in terms of pure noise removal, followed by stationary coarse alignment procedure. Based on the benchmarking results, obtained in field experiments, we show that: (i) learning-based models perform better than traditional signal processing filtering; (ii) non-parametric kNN algorithm outperforms all state of the art deep learning models examined in this study; (iii) denoising can be fruitful for pure inertial signal reconstruction, but moreover for navigation-related tasks, as both errors are shown to be reduced up to one order of magnitude.

연구 동기 및 목표

• 저가형 MEMS 가속도계 신호의 정적 조건에서 노이즈 제거 문제를 해결하기 위해, 중력에 의해 유도되는 크고 변동성이 큰 편향을 다루는 것.
• 정확한 캘리브레이션과 노이즈 모델링에 크게 의존하는 모델 기반 필터링의 한계를 극복하기 위해, 실생활에서 종종 확보하기 어려운 조건을 고려하는 것.
• 데이터 기반 접근 방식이 관성 신호 복원 및 항법 정확도에서 전통적인 신호 처리 기법을 능가할 수 있는지 평가하는 것.
• 모델 기반 학습 기반 모델과 고전적 필터를 동일한 조건에서 시뮬레이션 및 실제 가속도계 데이터를 사용하여 비교 평가하는 것.
• 노이즈 제거가 정적 거시적 정렬(Single Coarse Alignment, SCA)과 같은 항법 관련 작업에 미치는 영향을 평가하는 것.

제안 방법

• 저자들은 학습 데이터에서 학습된 패턴을 기반으로 정적 가속도계 신호를 노이즈 제거하기 위해 k-최근접 이웃(kNN) 및 딥 러닝 모델을 활용한다.
• kNN 모델은 입력 신호와 특성 공간 내에서 k개의 가장 가까운 이웃 간의 의미적 유사도를 활용하여 더 깔끔한 신호를 재구성한다.
• 모델의 성능 평가를 위해 제어된 노이즈가 포함된 시뮬레이션된 IMU 데이터와 스마트폰 및 고성능 관성 센서에서 확보한 실제 데이터를 기반으로 포괄적인 데이터셋을 구축한다.
• 신호 노이즈 제거 성능은 상대 절대 오차(Relative Absolute Error, RAE)와 같은 재구성 오차 지표를 사용하여 평가된다.
• 노이즈 제거의 효과는 각도 오차 감소를 측정하여 정적 거시적 정렬(SCA) 절차를 통해 추가로 검증된다.
• 동일한 조건에서 다양한 학습 기반 모델과 고전적 신호 처리 필터(예: 이동 평균, ARMA, EMD)를 비교 분석한다.

Figure 1: Denoising mapping function $f:\boldsymbol{x}\rightarrow\hat{\boldsymbol{x}}$

실험 결과

연구 질문

• RQ1 데이터 기반 노이즈 제거 모델이 노이즈가 많은 정적 측정값에서 깨끗한 가속도계 신호를 복원하는 데 있어 기존의 신호 처리 필터를 능가할 수 있는가?
• RQ2 정적 거시적 정렬(SCA) 절차에서 학습 기반 모델이 기존 필터링 방법 대비 각도 오차를 얼마나 줄이는가?
• RQ3 실제 환경의 노이즈 및 알려지지 않은 오차 요소가 데이터 기반 노이즈 제거 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ4 kNN 및 딥 러닝 모델의 노이즈 제거 능력이 항법 솔루션 정확도 향상으로 얼마나 잘 이어지는가?
• RQ5 비모수적 모델인 kNN이 복잡하고 알려지지 않은 노이즈 패턴을 가진 실제 가속도계 데이터에 대해 효과적으로 일반화될 수 있는가?

주요 결과

• 실험적 검증에서 kNN 기반 노이즈 제거 모델은 노이즈가 있는 입력 대비 재구성 오차(RAE)를 약 9.38% 감소시켜 더 높은 신호 무결성을 입증했다.
• 정적 거시적 정렬 작업에서 kNN 모델은 기울기 각도의 RMSE를 0.30042°에서 0.03398°로, 기울기 각도를 0.50251°에서 0.06676°로 감소시켜 한 계급 수준의 향상을 보였다.
• 실험 결과는 시뮬레이션 환경과 실제 환경 간에 뚜렷한 성능 격차가 있었지만, 실제 환경의 노이즈 패턴이 모델 성능에 미치는 영향은 예상보다 덜한 것으로 나타났다. 이는 모델이 알려지지 않은 오차 요소에 대해 뛰어난 내성성을 지녔기 때문으로 보인다.
• kNN 모델은 시뮬레이션 및 실제 환경 모두에서 딥 러닝 및 고전적 필터를 포함한 모든 테스트된 모델보다 우수한 성능을 보였으며, 특히 각도 오차 감소 측면에서 두각을 나타냈다.
• 본 연구는 데이터 기반 접근 방식이 알려지지 않은 또는 모델링되지 않은 노이즈가 존재하는 실제 가속도계 데이터에 대해서도 잘 일반화되며 항법 정확도를 크게 향상시킬 수 있음을 확인했다.
• 해석 가능성과 새로운 운동 동역학에 대한 일반화 능력의 한계가 있음에도 불구하고, 결과는 학습 기반 노이즈 제거가 정적 관성 신호 처리에서 기존 필터링 기법에 비해 실현 가능하고 효과적인 대안임을 입증한다.

Figure 2: One-layer recurrent neural network (RNN)