[논문 리뷰] INSANE: Cross-Domain UAV Data Sets with Increased Number of Sensors for developing Advanced and Novel Estimators

Christian Brommer, Alessandro Fornasier외 5명|arXiv (Cornell University)|2022. 10. 17.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

이 논문은 다양한 환경에서 고성능 위치 측정 및 센서 융합 연구를 위해 설계된 18개의 센서(다중 IMU, GNSS, UWB, 카메라 포함)를 갖춘 교차 도메인 UAV 데이터셋인 INSANE을 소개한다. 실내, 실외, 화성 유사 환경에서 센티미터 수준의 RTK-GNSS 및 운동 측정 기반 참값을 제공하여 실제 환경 조건에서 장기적 자율 비행 및 새로운 추정 알고리즘의 견고한 테스트를 가능하게 한다.

ABSTRACT

For real-world applications, autonomous mobile robotic platforms must be capable of navigating safely in a multitude of different and dynamic environments with accurate and robust localization being a key prerequisite. To support further research in this domain, we present the INSANE data sets - a collection of versatile Micro Aerial Vehicle (MAV) data sets for cross-environment localization. The data sets provide various scenarios with multiple stages of difficulty for localization methods. These scenarios range from trajectories in the controlled environment of an indoor motion capture facility, to experiments where the vehicle performs an outdoor maneuver and transitions into a building, requiring changes of sensor modalities, up to purely outdoor flight maneuvers in a challenging Mars analog environment to simulate scenarios which current and future Mars helicopters would need to perform. The presented work aims to provide data that reflects real-world scenarios and sensor effects. The extensive sensor suite includes various sensor categories, including multiple Inertial Measurement Units (IMUs) and cameras. Sensor data is made available as raw measurements and each data set provides highly accurate ground truth, including the outdoor experiments where a dual Real-Time Kinematic (RTK) Global Navigation Satellite System (GNSS) setup provides sub-degree and centimeter accuracy (1-sigma). The sensor suite also includes a dedicated high-rate IMU to capture all the vibration dynamics of the vehicle during flight to support research on novel machine learning-based sensor signal enhancement methods for improved localization. The data sets and post-processing tools are available at: https://sst.aau.at/cns/datasets

연구 동기 및 목표

• 실제 환경에서의 위치 측정 연구를 위한 개방형, 고정밀도, 다중 환경 UAV 데이터셋의 부족을 보완한다.
• 필터 유도 잡음 없이 실내, 실외, 화성 유사 환경을 포함한 다양한 환경에서 정확한 원시 참값을 제공한다.
• GNSS 이용 가능 영역와 GNSS 불가능 영역 간 전환을 포함한 교차 도메인 자율 비행 연구를 지원한다.
• 고속도, 진동 민감도가 높은 센서 데이터를 통해 기계 학습 기반 센서 신호 향상 및 상태 추정 방법의 개발을 가능하게 한다.
• EMI 및 신호 감쇠와 같은 실제 환경 영향을 반영한 시각-자이로스코픽, UWB, 다중 센서 융합 알고리즘의 벤치마킹을 촉진한다.

제안 방법

• 이중 RTK-GNSS, 다수의 IMU(고속도 MEMS 포함), 스테레오 카메라, UWB, LRF를 탑재한 맞춤형 마이크로 항공기(MAV)를 배치한다.
• 고유의 EMI 차폐를 갖춘 이중 안테나 RTK-GNSS 설정을 통해 수평 방향 1cm(1-σ), 수직 방향 2cm의 위치 정확도를 확보한다.
• 실내 참값을 확보하기 위해 운동 측정 시스템을 활용하고, 실외에서 실내로의 전환 갭을 메우기 위해 피드기얼 마커 필드를 통합한다.
• 이중 임베디드 플랫폼을 사용해 고대역폭으로 원시 센서 데이터를 기록하며, 각 플랫폼에 SD 및 SSD를 4개씩 장착해 데이터 스트림의 최대 처리량을 확보한다.
• 피드기얼 마커의 위치를 RTK-GNSS 및 운동 측정 데이터와 연동하기 위해 마커-객체 연계를 적용하여 전역 및 국소 참값의 연속성을 확보한다.
• 컴퓨터 처리 부하를 균형 있게 분산하고 USB3 및 센서 인터페이스 대역폭을 최대한 활용하도록 데이터 수집 시스템을 설계한다.

실험 결과

연구 질문

• RQ1 실내, 실외, 행성 유사 조건을 포함한 다중 환경에서의 교차 도메인 위치 측정을 지원하는 통합된 UAV 데이터셋을 어떻게 구축할 수 있는가?
• RQ2 전이 영역에서 RTK-GNSS, 운동 측정, 피드기얼 마커의 조합을 통해 달성할 수 있는 참값 정확도는 어느 정도인가?
• RQ3 실제 센서 영향(EMI, 신호 손실, 진동 동역학 등)이 상태 추정 및 센서 융합 성능에 미치는 영향은 어떠한가?
• RQ4 고속도 IMU 데이터(1kHz 측정)는 기계 학습 기반 신호 향상 및 위치 측정 알고리즘 성능 향상에 어느 정도 기여할 수 있는가?
• RQ5 표준화된, 개방형이며 확장 가능한 데이터셋 포맷은 자율 비행 알고리즘의 장기적 발전과 벤치마킹을 지원할 수 있는가?

주요 결과

• 이중 안테나 RTK-GNSS 시스템과 효과적인 EMI 차폐를 통해 1cm 수평, 2cm 수직의 서브 센티미터 수준의 위치 정확도를 확보하였다.
• 실내 운동 측정, 실외 GNSS 운용 비행, 화성 유사 실외 비행을 포함한 세 가지 별도 환경에서 참값을 확보하였으며, 피드기얼 마커를 통해 원활한 정합이 이루어졌다.
• 고속도 IMU 데이터(1kHz 측정)는 진동 동역학 분석을 위한 세부 분석을 가능하게 하여 향후 센서 신호 향상 및 노이즈 모델링 연구에 기여한다.
• 필터링을 거치지 않은 원시 센서 측정치와 참값을 포함하여, 필터 유도 잡음 없이 보다 신뢰할 수 있는 알고리즘 검증이 가능하다.
• 두 개의 임베디드 보드에 각각 SD 및 SSD를 4개씩 장착해 총 4개의 저장소에서 고대역폭 데이터 스트림을 성공적으로 기록하였으며, 가용 인터페이스 대역폭을 최대한 활용하였다.
• 데이터셋은 오픈소스이며 확장 가능하며, 향후 새로운 시나리오와 센서 구성으로 확장될 계획으로, 연구 공동체의 장기적 활용 가능성을 보장한다.