[논문 리뷰] Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions

Nadav Cohen, Itzik Klein|arXiv (Cornell University)|2023. 06. 22.

Inertial Sensor and Navigation인용 수 5

한 줄 요약

이 종합 검토는 지상, 공중 및 해양 플랫폼에서 위치, 속도 및 자세 추정을 향상시키는 데 중점을 두고 관성 항법에서의 딥 러닝(DL) 응용을 검토한다. DL 기반 센서 융합, 필터 파rameter 학습 및 센서 캘리브레이션을 분석한 결과, RNN과 CNN이 주로 사용되는 아키텍처를 차지하며, 최근 추세는 전통적인 모델 기반 방법에 비해 성능을 향상시키는 데 초점을 맞춘 트랜스포머 기반 모델로의 이동을 보이고 있다.

ABSTRACT

Inertial sensing is used in many applications and platforms, ranging from day-to-day devices such as smartphones to very complex ones such as autonomous vehicles. In recent years, the development of machine learning and deep learning techniques has increased significantly in the field of inertial sensing and sensor fusion. This is due to the development of efficient computing hardware and the accessibility of publicly available sensor data. These data-driven approaches mainly aim to empower model-based inertial sensing algorithms. To encourage further research in integrating deep learning with inertial navigation and fusion and to leverage their capabilities, this paper provides an in-depth review of deep learning methods for inertial sensing and sensor fusion. We discuss learning methods for calibration and denoising as well as approaches for improving pure inertial navigation and sensor fusion. The latter is done by learning some of the fusion filter parameters. The reviewed approaches are classified by the environment in which the vehicles operate: land, air, and sea. In addition, we analyze trends and future directions in deep learning-based navigation and provide statistical data on commonly used approaches.

연구 동기 및 목표

• 딥 러닝의 관성 항법 시스템 통합을 검토하여 정확성과 내성 향상.
• 지상, 항공 및 해양 분야에서 항법 성능 향상을 위한 데이터 기반 접근법의 현재 추세 분석.
• 관성 측정 장치(IMU)에서 센서 캘리브레이션, 노이즈 제거 및 적응형 필터 파rameter 학습을 위한 DL 기법 탐구.
• 다양한 항법 시나리오에서 주로 사용되는 딥 러닝 아키텍처 및 성능 비교.
• 관성 항법 분야에서의 새로운 연구 방향, 특히 트랜스포머 기반 모델과 하이브리드 아키텍처의 도출.

제안 방법

• 지상, 공중, 해양 플랫폼 등 응용 분야, 작업 유형(순수 관성, 센서 융합, 캘리브레이션) 및 네트워크 아키텍처별로 분류된 230편 이상의 관성 항법 분야 딥 러닝 연구를 체계적으로 검토.
• 딥 러닝 방법을 네 가지 아키텍처 유형으로 분류: 다층 퍼셉트론(MLP), 합성곱 신경망(CNN), 순환 신경망(RNN), 기타(예: 트랜스포머, 강화 학습).
• 딥 러닝 통합 전략을 두 가지 주요 유형으로 분석: (1) 관성 데이터로부터 전체 항법 상태 또는 잔차 상태를 회귀하는 방식, (2) EKF 및 UKF와 같은 비선형 필터의 노이즈 공분산 행렬 등의 필터 파rameter를 추정하는 방식.
• 아키텍처 사용 빈도 및 연구 초점에 대한 통계 분석을 수행하며, 필터 파rameter 학습과 상태 추정 간의 추세 분석 포함.
• 실시간 적용 가능성과 다양한 IMU 품질 및 운동 동역학에 대한 일반화 능력을 중시하여 플랫폼 간 성능 비교 분석 수행.
• 전이 학습, GAN 및 시퀀스 모델링이 센서 노이즈 및 동적 환경에 대한 내성 향상에 기여하는 역할 평가.

실험 결과

연구 질문

• RQ1 딥 러닝 방법은 지상, 항공 및 해양 플랫폼에서 관성 항법 성능 향상에 어떻게 적용되었는가?
• RQ2 관성 항법에서 널리 사용되는 주요 딥 러닝 아키텍처는 무엇이며, 성능 및 효율성 측면에서 어떻게 비교되는가?
• RQ3 데이터 기반 접근법이 기존의 모델 기반 관성 항법 및 센서 융합 기법에 비해 어느 정도 뛰어난가?
• RQ4 최근 몇 년 간 연구 초점이 직접 상태 추정에서 적응형 필터 파arameter 학습으로 어떻게 이동했는가?
• RQ5 트랜스포머와 같은 새로운 아키텍처는 차세대 관성 항법 시스템에 있어 어떤 잠재력을 지니고 있는가?

주요 결과

• 검토된 논문 중 81%는 위치, 속도 및 자세 추정 향상에 집중하였고, 19%는 필터 파arameter 최적화를 목표로 하였으며, 최근 3년 간 후자 분야의 비중이 뚜렷이 증가한 것으로 나타났다.
• 순환 신경망(RNN) 및 그 변종(LSTM, GRU)은 순차적인 관성 데이터에 적합하여 가장 널리 사용되며, CNN 및 1D-CNN도 강력한 성능을 보이고 있다.
• 최근 문헌에서 트랜스포머 및 BERT 유사 아키텍처가 등장하여 자연어 처리에서 영감을 받은 주목적 기반 모델이 시간적 모델링 향상에 기여하고 있음을 시사한다.
• CNN과 RNN을 조합한 하이브리드 아키텍처(CNN-LSTM 등)는 IMU 신호에서 국소적 패턴과 장기적 의존성을 동시에 포착하기 위해 점점 더 널리 사용되고 있다.
• 센서 캘리브레이션 및 노이즈 제거를 위한 딥 러닝 기반 방법은 저가격 IMU의 편향 및 스케일 인자 오차 감소 잠재력을 뚜렷이 보였다.
• 특히 노이즈 공분산 행렬 추정에 딥 러닝을 통합한 센서 융합 파이프라인은 위성항법(GNSS)이 불가능한 환경에서도 정확성과 내성 향상에 기여하였다.