[논문 리뷰] Inertial Sensing Meets Artificial Intelligence: Opportunity or Challenge?

You Li, Ruizhi Chen외 5명|arXiv (Cornell University)|2020. 07. 13.

Indoor and Outdoor Localization Technologies참고 문헌 56인용 수 9

한 줄 요약

이 논문은 인ertial 센싱과 인공지능(AI)의 통합을 검토하며, 센서 설계, 캘리브레이션, 항법 알고리즘, 다중 센서 융합에 이르기까지 응용 분야 전반에서의 적용을 분석한다. AI 강화 인ertial 센싱의 아홉 가지 핵심 이점과 아홉 가지 과제를 규명하며, 정확도, 신뢰성, 실시간 성능 향상을 위해 기하 모델과 AI를 융합한 하이브리드 접근 방식의 필요성을 강조한다. 위치 측정, 항법, 운동 추적 시스템에서의 응용에 중점을 둔다.

ABSTRACT

The inertial navigation system (INS) has been widely used to provide self-contained and continuous motion estimation in intelligent transportation systems. Recently, the emergence of chip-level inertial sensors has expanded the relevant applications from positioning, navigation, and mobile mapping to location-based services, unmanned systems, and transportation big data. Meanwhile, benefit from the emergence of big data and the improvement of algorithms and computing power, artificial intelligence (AI) has become a consensus tool that has been successfully applied in various fields. This article reviews the research on using AI technology to enhance inertial sensing from various aspects, including sensor design and selection, calibration and error modeling, navigation and motion-sensing algorithms, multi-sensor information fusion, system evaluation, and practical application. Based on the over 30 representative articles selected from the nearly 300 related publications, this article summarizes the state of the art, advantages, and challenges on each aspect. Finally, it summarizes nine advantages and nine challenges of AI-enhanced inertial sensing and then points out future research directions.

연구 동기 및 목표

• 인ertial 센싱 응용 전반의 AI 강화 기술 최신 동향을 체계적으로 검토하기 위해.
• 전통적인 기하 모델링 접근 방식과 비교하여 AI를 인ertial 센싱에 통합함으로써 발생하는 이점과 과제를 규명하고 분석하기 위해.
• AI의 역할이 인ertial 항법 시스템에서 센서 캘리브레이션, 오차 모델링, 운동 추적, 다중 센서 융합 향상에 어떻게 기여하는지 평가하기 위해.
• 현재 AI 응용의 한계, 예를 들어 레이블이 붙은 데이터에 대한 의존성, 높은 계산 부담, 해석 불가능성 등의 문제를 다루기 위해.
• 자율 시스템, 웨어러블 기기, 운동 빅데이터 분야에서 AI와 인ertial 센싱의 깊은 통합을 위한 향후 연구 방향을 제안하기 위해.

제안 방법

• AI 강화 인ertial 센싱 분야에서 약 300篇의 관련 논문 중 30편의 대표적 연구를 체계적으로 검토하였다.
• AI 응용의 역할에 따라 인ertial 센싱의 분류: 센서 하드웨어, 캘리브레이션, 항법 알고리즘, 다중 센서 융합, 시스템 평가.
• 사용된 AI 모델을 분류: 인공 신경망(ANN), ANFIS, 유전자 알고리즘, 딥 강화 학습(DRL), 경험 모드 분해.
• AI 응용에서의 입력 및 출력 데이터 플로우 분석: 편향 추정 또는 운동 상태 분류에 사용되는 센서 데이터 등.
• 다양한 플랫폼(예: 자동차, 로봇, 웨어러블 기기)에서의 정확도, 계산 부담, 일반화 능력 등의 메트릭을 사용해 성능 평가.
• 단기 정확도를 유지하면서도 비선형성, 고노이즈 또는 시간에 따라 변화하는 환경에 대한 적응성 향상을 위해 기하 인ertial 모델과 AI를 융합한 하이브리드 프레임워크 제안.

실험 결과

연구 질문

• RQ1 AI는 센서 설계부터 시스템 수준 응용까지 인ertial 센싱 전 주기에서 성능을 어떻게 향상시킬 수 있는가?
• RQ2 기존 기하 모델링 방법과 비교해 볼 때, AI를 사용한 인ertial 센서 캘리브레이션, 오차 모델링, 운동 추정의 주요 이점과 한계는 무엇인가?
• RQ3 분류 작업에서는 뛰어난 성능을 보이지만, 매개변수 추정 및 센서 하드웨어 설계 분야에서는 AI 응용이 부족한 이유는 무엇인가?
• RQ4 AI를 기하 인ertial 알고리즘과 효과적으로 융합하여 단기 정확도를 유지하면서도 비선형성 및 시간에 따라 변화하는 오차에 대한 적응성을 향상시킬 수 있는 방법은 무엇인가?
• RQ5 AI가 인ertial 센싱에 널리 보급되지 못하는 주요 장애 요소는 무엇이며, 데이터, 알고리즘, 시스템 수준의 혁신을 통해 이를 어떻게 해결할 수 있는가?

주요 결과

• AI는 레이블이 붙은 데이터가 충분히 확보된 경우, 운동 분류 및 편향 추정과 같은 인ertial 센싱 작업에서 뛰어난 성능을 보였다.
• 현재 연구에서 지배적인 것은 지도 학습 기반 AI 방법이지만, 비지도 학습 및 자기지도 학습 접근 방식은 복잡한 인ertial 센싱 문제에 대해 아직 개발이 부족하고 정확도가 떨어진다.
• AI 기반 인ertial 항법 시스템은 특히 회귀 기반 매개변수 추정에서 기존 기하 알고리즘보다 높은 계산 부담을 유발하는 경향이 있다.
• 공개되고 표준화된 데이터셋의 부족은 연구의 재현성과 공정한 비교를 어렵게 하여 분야의 발전 속도를 저해하고 있다.
• AI 모델은 인ertial 시스템 내 물리적 및 기하적 관계를 투명하게 드러내지 못해 설명력이 떨어지고, 관찰 가능성 분석 없이 성능 예측이 어려운 경우가 많다.
• 기하 인ertial 모델과 AI를 융합한 하이브리드 접근 방식이 단기 정확도를 유지하면서도 비선형성, 고노이즈 또는 시간에 따라 변화하는 환경에서의 강인성을 향상시키는 데 유망한 것으로 나타났다.