[논문 리뷰] IONet: Learning to Cure the Curse of Drift in Inertial Odometry

Changhao Chen, Xiaoxuan Lu외 2명|arXiv (Cornell University)|2018. 01. 30.

Indoor and Outdoor Localization Technologies참고 문헌 23인용 수 29

한 줄 요약

IONet는 관성 추적을 순차적 학습 문제로 재구성하여 원시 관성 측정 단위(IMU) 데이터를 독립적인 윈도우로 분할하고, 순환 신경망을 사용해 속도 및 자세와 같은 잠재 상태를 원시 관성 데이터에서 추정하는 딥러닝 프레임워크를 제안한다. 기존의 SINS 및 PDR 방법보다 뛰어나며, 시각 입력 없이도 연속적인 실내 위치 추적과 주기적인 운동이 아닌 운동(예: 카트 추적)으로 일반화하여 높은 정확도를 달성한다.

ABSTRACT

Inertial sensors play a pivotal role in indoor localization, which in turn lays the foundation for pervasive personal applications. However, low-cost inertial sensors, as commonly found in smartphones, are plagued by bias and noise, which leads to unbounded growth in error when accelerations are double integrated to obtain displacement. Small errors in state estimation propagate to make odometry virtually unusable in a matter of seconds. We propose to break the cycle of continuous integration, and instead segment inertial data into independent windows. The challenge becomes estimating the latent states of each window, such as velocity and orientation, as these are not directly observable from sensor data. We demonstrate how to formulate this as an optimization problem, and show how deep recurrent neural networks can yield highly accurate trajectories, outperforming state-of-the-art shallow techniques, on a wide range of tests and attachments. In particular, we demonstrate that IONet can generalize to estimate odometry for non-periodic motion, such as a shopping trolley or baby-stroller, an extremely challenging task for existing techniques.

연구 동기 및 목표

• 스마트폰의 센서 노이즈와 오프셋으로 인한 저가 관성 추적의 드리프트 문제를 해결하기 위해.
• 주기적인 운동 가정에 의존하지 않아 비주기적인 운동(예: 카트나 유모차)의 추적을 가능하게 하기 위해.
• 스텝 검출 및 스트라이드 추정과 같은 수작업으로 설계된 모듈을 회피하는 통합형 엔드 투 엔드 딥러닝 프레임워크를 개발하기 위해.
• 재학습 없이도 사용자, 기기, 부착 방식에 대해 일반화하여 실제 실내 환경에서의 강인성을 향상시키기 위해.
• SINS 및 PDR 방법을 모두 능가하는 고정밀 연속 궤적 추정을 원시 관성 데이터만으로 달성하기 위해.

제안 방법

• IONet는 원시 IMU 데이터를 독립적인 시간 윈도우로 분할하여 관성 추적을 순차적 학습 문제로 재구성한다.
• 뉴턴 역학에서 유도된 최적화 문제로써, 속도 및 자세와 같은 잠재 상태 추정을 수식화한다.
• 깊이 있는 순환 신경망(RNN)을 사용해 원시 IMU 측정값에서 극좌표계의 운동 변환을 예측함으로써 강인한 상태 추정을 가능하게 한다.
• 다양한 사용자, 기기, 부착 유형(예: 손, 주머니, 카트)에서 수집한 대규모 데이터셋을 기반으로 엔드 투 엔드로 모델을 학습한다.
• 명시적인 스텝 검출 또는 헤딩 추정 없이도 관성 신호에서 직접 운동 특성을 추론하도록 네트워크를 학습한다.
• 프레임워크는 부착 방식에 영향을 받지 않도록 설계되어 있으며, 다양한 센서 장착 위치와 운동 유형으로 일반화된다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 주기적인 운동 신호에 의존하지 않고 원시 IMU 데이터에서 관성 추적을 효과적으로 추정할 수 있는가?
• RQ2 단일 신경망이 다양한 사용자 행동, 기기 유형, 센서 부착 방식에 대해 얼마나 잘 일반화되는가?
• RQ3 제안된 방법이 대규모 실내 환경에서 정확도와 강인성 면에서 기존의 SINS 및 PDR을 능가할 수 있는가?
• RQ4 카트나 유모차와 같은 비주기적, 바퀴 운동을 얼마나 잘 처리할 수 있는가?
• RQ5 학습 중에 관찰되지 않은 고수준 센서 오프셋 또는 다양한 보행 습관 조건에서도 네트워크 성능이 유지되는가?

주요 결과

• IONet는 대규모 실내 위치 추적에서 기존의 SINS 및 PDR 방법보다 뚜렷이 뛰어나며, 100m 궤적에서 평균적으로 위치 오차를 최대 60%까지 감소시켰다.
• 카트 추적에서는 시각-관성 추적(Tango)과 유사한 정확도를 달성했으며, 저조도 또는 특징이 없는 환경에서도 더 강인한 성능을 보였다.
• 여러 사용자와 기기에서 안정적인 성능을 유지하여 센서 부착 방식이 변하더라도 낮은 오차를 유지했다.
• 스텝 기반 PDR이 완전히 실패하는 상황인 쇼핑카트 밀기와 같은 비주기적 운동에 대해서도 효과적으로 일반화되었다.
• 카트 추적 시 IONet는 50m 거리에서 중앙값 위치 오차 1.2m를 기록했으며, Tango 성능을 따라가며 순수 관성 기반으로 환경의 가림 현상에 덜 민감했다.
• 10Hz 샘플링 주기에서도 안정적인 성능을 보였으며, 영점 속도 업데이트나 스텝 검출에 의존하지 않고 연속 궤적을 생성했다.