[논문 리뷰] Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation

Martin Brossard, Silvère Bonnabel외 1명|arXiv (Cornell University)|2020. 02. 25.

Inertial Sensor and Navigation참고 문헌 33인용 수 146

한 줄 요약

감독 학습된 확장형 CNN이 IMU 자이로를 잡음 제거하여 오픈-루프 자세 추정을 가능하게 하며, 비전 없이 EuRoC와 TUM-VI에서 최첨단 수준에 버금가는 정확도를 달성한다.

ABSTRACT

This paper proposes a learning method for denoising gyroscopes of Inertial Measurement Units (IMUs) using ground truth data, and estimating in real time the orientation (attitude) of a robot in dead reckoning. The obtained algorithm outperforms the state-of-the-art on the (unseen) test sequences. The obtained performances are achieved thanks to a well-chosen model, a proper loss function for orientation increments, and through the identification of key points when training with high-frequency inertial data. Our approach builds upon a neural network based on dilated convolutions, without requiring any recurrent neural network. We demonstrate how efficient our strategy is for 3D attitude estimation on the EuRoC and TUM-VI datasets. Interestingly, we observe our dead reckoning algorithm manages to beat top-ranked visual-inertial odometry systems in terms of attitude estimation although it does not use vision sensors. We believe this paper offers new perspectives for visual-inertial localization and constitutes a step toward more efficient learning methods involving IMUs. Our open-source implementation is available at https://github.com/mbrossar/denoise-imu-gyro.

연구 동기 및 목표

• 저가 IMU 자이로의 잡음 제거를 통해 자세 추정을 개선하고자 한다.
• 짧은 IMU 데이터 이력으로 자이로 측정값을 보정하는 CNN 기반 모델을 개발한다.
• 실제 자세에 대한 강건한 학습을 가능하게 하는 방향 변화에 초점을 맞춘 학습 손실을 설계한다.
• EuRoC와 TUM-VI 같은 실제 데이터셋에서 최첨단 IMU 및 비전-관성 방법과 비교하여 방법을 평가한다.
• 오픈 소스 코드를 제공하고 오프라인 IMU 보정 및 오픈-루프 데드 레코닝의 효율성을 입증한다.

제안 방법

• 과거 IMU 측정값 창으로 자이로 보정을 예측하기 위해 dilated convolutions가 있는 합성곱 신경망을 사용한다.
• 보정된 자이로를 ω̂_n = Ĉ_ω ω_n^IMU + ω̃_n 로 모델링하되, Ĉ_ω는 축 정렬 불일치와 스케일을, ω̃_n은 편향 및 시간에 따라 변하는 효과를 포착한다.
• 이웃 데이터 창 길이 N이 과거 2.24초에 해당하는 작은 네트워크(77,052 파라미터)를 사용하고 순환 신경망은 피한다.
• 실제 자세의 적분 변화에 기반한 손실(L_j, j=16 및 j=32)으로 네트워크를 학습한다.
• 데이터 증강(Gaussian 잡음)과 정규화를 도입하고, 효율적인 수렴을 위해 Adam과 코사인 재시작으로 학습한다.
• EuRoC(드론) 및 TUM-VI(손으로 들고 촬영) 데이터셋에서 보정된 IMU, OriNet 및 VIO 기본값과 비교하여 평가한다.

실험 결과

연구 질문

• RQ1 확장된 CNN이 재발 없이 과거의 IMU 데이터만으로 고주파 IMU 자이로를 효과적으로 잡음 제거할 수 있는가?
• RQ2 자이로 보정이 보정된 IMU 및 VIO 방법과 비교하여 오픈-루프 자세 추정에 어떤 영향을 미치는가?
• RQ3 IMU 주파수 감소 시 실제 자세에서 방향 증가를 학습시키기에 가장 적합한 손실 구성은 무엇인가?
• RQ4 실제 데이터셋에서 제안된 방법의 데이터 효율성(필요한 학습 데이터 양)과 계산 효율성은 어느 정도인가?

주요 결과

• 제안된 방법은 EuRoC 및 TUM-VI에서 방향(AOE/ROE) 및 요오 오차에서 경쟁력을 달성하며, OriNet을 능가하고 IMU 데이터만으로 VIO 방법에 근접한다.
• 학습된 보정을 사용한 IMU 보정은 원시/보정된 IMU 기준선 대비 현저한 정확도 향상을 가져오며, 자세 추정에서 일부 VIO 방법을 능가할 수 있다.
• 제안된 방법으로 중위 yaw/자세 오차가 EuRoC에서 분당 1.34도, TUM-VI에서 분당 0.68도까지 낮아지는 것으로 보고되었다.
• 이 접근법은 소형 네트워크(77k 파라미터)와 확장된 합성곱 및 트리 구조의 손실 평가를 활용한 효율적 계산으로, 데이터세트당 5분 이내에 학습한다.
• Yaw 추정은 현저히 정확하며, 비전 없이도 자세 정확도 면에서 VIO와 경쟁력을 유지한다.
• 학습 속도가 빠르고 실행 가벼워, 온보드 또는 자원이 제한된 시나리오에 매력적이다.