[논문 리뷰] Deep Learning Based Speed Estimation for Constraining Strapdown Inertial Navigation on Smartphones

Santiago Cortés, Arno Solin외 1명|arXiv (Cornell University)|2018. 08. 10.

Indoor and Outdoor Localization Technologies참고 문헌 13인용 수 5

한 줄 요약

이 논문은 3D 인ertial 내비게이션 정확도를 향상시키기 위해 CNN 기반의 속도 추정 방법을 제안한다. 이 방법은 IMU 데이터에서 순간 속도를 회귀하여 EKF 기반 INS에 가짜 측정값으로 사용함으로써 속도 드리프트를 제약한다. 3D 실내 테스트에서 기준값인 0.87 m에서 RMSE가 0.62 m로 감소하여 걷기, 정지, 엘리베이터 이용 등 다양한 운동 모드에서 정확도 향상을 입증한다.

ABSTRACT

Strapdown inertial navigation systems are sensitive to the quality of the data provided by the accelerometer and gyroscope. Low-grade IMUs in handheld smart-devices pose a problem for inertial odometry on these devices. We propose a scheme for constraining the inertial odometry problem by complementing non-linear state estimation by a CNN-based deep-learning model for inferring the momentary speed based on a window of IMU samples. We show the feasibility of the model using a wide range of data from an iPhone, and present proof-of-concept results for how the model can be combined with an inertial navigation system for three-dimensional inertial navigation.

연구 동기 및 목표

• 저품질 MEMS IMU로 인한 스마트폰에서의 정확하지 않은 6-DOF 인ertial 내비게이션 문제를 해결하기 위해.
• 고정 또는 히وري스틱 속도 가정에 의존하는 대신, 데이터 기반의 속도 추정치로 INS를 제약하여 궤적 추정 정확도를 향상시키기 위해.
• 걷기, 정지, 수직 운동을 포함한 다양한 손으로 들고 다니는 운동 모드에 대해 일반화 가능한 단일 모델 솔루션을 개발하기 위해.
• 전통적인 EKF 기반 INS 프레임워크에 학습된 속도 제약 조건을 통합하는 것이 3D 오도메트리 향상에 가능함을 입증하기 위해.

제안 방법

• 1D 컨volution 신경망(CNN)을 사용하여 2초 간의 원시 IMU 데이터(가속도계 및 자이로스코프)에서 순간 속도를 추정한다.
• ARKit의 시각-인ert리얼 오도메트리에서 유도된 기준 속도를 사용하여 다양한 스마트폰 데이터셋에서 모델을 학습시킨다.
• 예측된 속도를 확장된 칼만 필터(EKF) 기반 INS에 가짜 측정값으로 사용하여 속도 드리프트를 제약한다.
• 추가 안정성을 확보하기 위해 제로-속도 업데이트(ZUPTs)를 사용하며, ZUPT 간의 더 정확한 속도 범위를 CNN이 제공한다.
• 기존 물리 기반 필터링과 데이터 기반 속도 추정을 조합함으로써 엔드 투 엔드 학습을 피한다.
• 학습 기간 동안 볼 수 없었던 새로운 테스트 시퀀스를 사용하여 평가하며, ARKit를 기준값으로 사용한다.

실험 결과

연구 질문

• RQ1 걷기, 정지, 엘리베이터나 에스컬레이터에서의 수직 운동을 포함한 다양한 손으로 들고 다니는 운동 모드에서 단일 딥러닝 모델이 순간 속도를 정확하게 추정할 수 있는가?
• RQ2 고정된 가짜 속도 또는 제약 없이 사용할 경우에 비해 CNN 기반의 속도 추정은 EKF 기반 인ertial 내비게이션의 정확도를 얼마나 향상시키는가?
• RQ3 재학습 없이도 다양한 기기 배치(예: 손, 주머니, 가방)에 대해 데이터 기반 속도 모델이 얼마나 일반화되는가?
• RQ4 학습된 속도 제약 조건의 통합은 3D 인ertial 내비게이션에서 궤적 드리프트에 어떤 영향을 미치는가?
• RQ5 희귀 운동 모드(예: 계단)의 데이터가 부족할 경우 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?

주요 결과

• CNN 기반의 속도 추정 모델은 걷기, 정지 등 다양한 운동 모드에서 순간 속도를 높은 정확도로 예측했으며, 계단과 같은 데이터가 부족한 모드에서만 다소 높은 오차를 보였다.
• EKF 기반 INS에 CNN으로 예측한 속도를 통합함으로써 재구성된 궤적의 루트 평균 제곱 오차(RMSE)가 고정된 가짜 속도를 사용한 경우 0.87 m에서 0.62 m로 감소했다.
• 제약이 없는 INS 시스템은 심각하게 발산했으며, RMSE가 238.38 m로 나타나 안정적인 3D 내비게이션을 위해 속도 제약 조건이 필수적임을 입증했다.
• 걷기에서 정지로의 전환과 같은 운동 모드 전환도 성능 저하 없이 성공적으로 처리했다.
• 결과적으로 데이터 기반의 속도 추정은 특히 ZUPT가 빈번하지 않은 상황(예: 엘리베이터 내에서 또는 연속 운동 중)에서 궤적 정확도를 크게 향상시킨다.
• 다양한 운동 유형과 기기 배치에 대해 일반화 가능하며, 테스트 시퀀스 전반에서 일관된 성능을 보였지만, 계단에서의 성능은 데이터 희소성으로 인해 여전히 도전 과제로 남아 있다.