[논문 리뷰] Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor Data Fusion Method

Luka Kolar, Rok Sikonja외 1명|arXiv (Cornell University)|2020. 09. 07.

Gaussian Processes and Bayesian Inference참고 문헌 7인용 수 4

한 줄 요약

이 논문은 반복 비율 기반 보정과 베이지안 가우시안 프로세스 융합을 사용하여 다중 센서 시스템에서 센서 노화를 보정하는 데이터 기반 방법을 제안한다. 노화를 단조롭고 연속적인 함수로 모델링하고, 노출 시간이 다른 두 신호 간의 비율을 활용함으로써, 지속적으로 진정된 신호를 추정하고 센서별 노이즈 모델링을 적용한 희소 가우시안 프로세스를 사용해 보정된 신호를 융합한다. 노이즈가 없는 조건에서는 진정된 신호로 수렴하고, 노이즈가 있는 환경에서도 강인한 추정을 달성한다.

ABSTRACT

We present a novel method for inferring ground-truth signal from multiple degraded signals, affected by different amounts of sensor exposure. The algorithm learns a multiplicative degradation effect by performing iterative corrections of two signals solely from the ratio between them. The degradation function d should be continuous, satisfy monotonicity, and d(0) = 1. We use smoothed monotonic regression method, where we easily incorporate the aforementioned criteria to the fitting part. We include theoretical analysis and prove convergence to the ground-truth signal for the noiseless measurement model. Lastly, we present an approach to fuse the noisy corrected signals using Gaussian processes. We use sparse Gaussian processes that can be utilized for a large number of measurements together with a specialized kernel that enables the estimation of noise values of all sensors. The data fusion framework naturally handles data gaps and provides a simple and powerful method for observing the signal trends on multiple timescales(long-term and short-term signal properties). The viability of correction method is evaluated on a synthetic dataset with known ground-truth signal.

연구 동기 및 목표

• 다중 센서 시스템에서 차등 노출로 인한 센서 노화를 보정하기 위한 일반적이고 데이터 기반의 방법을 개발하는 것.
• 노출 수준이 다른 두 개 이상의 손상되고 노이즈가 섞인 센서 측정값으로부터 진정된 신호를 정확하게 재구성할 수 있도록 하는 것.
• 보정된 신호를 융합하면서 센서별 노이즈 분산을 추정하는 베이지안 데이터 융합 프레임워크를 설계하는 것.
• 노이즈가 없는 모델 하에서 반복 보정 방법의 이론적 수렴 보장을 제공하는 것.
• 적응형 유도 포인트를 갖는 스케일러블한 희소 가우시안 프로세스를 통해 다양한 시간스케일의 신호 관측을 가능하게 하는 것.

제안 방법

• 이 방법은 누적 노출 e에 대해 d(0) = 1을 만족하는 연속적이고 단조 감소하는 함수 d(e)로 센서 노화를 모델링한다.
• 두 센서 신호(а 및 b) 간의 비율을 활용하여 반복 보정을 수행하며, 정확한 추정 하에서는 비율이 일정한 값으로 수렴한다고 가정한다.
• 노화 함수 피팅 과정에서 연속성과 단조성 제약 조건을 강제하기 위해 부드러운 단조 회귀 방법을 사용한다.
• 보정된 신호는 센서별 노이즈 분산을 추정하는 전용 커널을 갖는 희소 변분 가우시안 프로세스(SGP)를 통해 융합된다.
• SGP 프레임워크는 유도 포인트를 사용하여 대규모 데이터셋에 스케일링 가능하며, 유도 포인트 수를 조절함으로써 다양한 시간스케일의 신호 분석이 가능하다.
• 메서드는 진정된 신호가 알려진 시뮬레이션 데이터에 대해 검증되었으며, 신호 생성에 브라운 운동을 사용하고, 노출 차이를 시뮬레이션하기 위해 서브샘플링을 적용하였다.

실험 결과

연구 질문

• RQ1 노이즈가 없는 조건에서 두 손상된 신호 간의 비율 기반 반복 보정이 진정된 신호로 수렴할 수 있는가?
• RQ2 진정된 신호에 대한 사전 지식 없이, 두 센서의 상대적 행동만을 이용해 센서 노화를 어떻게 모델링하고 보정할 수 있는가?
• RQ3 베이지안 데이터 융합 프레임워크는 보정된 다수의 신호를 효과적으로 융합하면서도 센서별 노이즈 수준을 추정할 수 있는가?
• RQ4 희소 가우시안 프로세스에서 유도 포인트 수의 선택이 재구성된 신호의 정밀도와 시간스케일 해상도에 어떤 영향을 미치는가?
• RQ5 반복 보정 과정에서 노이즈 증폭의 영향은 무엇이며, 이후 융합을 통해 이를 어떻게 완화할 수 있는가?

주요 결과

• 이론적으로 논문에서 증명한 바에 따르면, 노이즈가 없는 측정 모델 하에서 반복 보정 방법은 진정된 신호로 수렴한다.
• 노이즈가 존재하는 조건에서는 보정된 신호가 진정된 신호로 수렴하지만, 감소하는 노화 값으로 나누는 과정에서 시간이 갈수록 노이즈 증폭이 증가한다.
• 보정된 신호 간의 비율은 일정한 단위 함수로 수렴함으로써 보정 과정의 일관성을 확인한다.
• 희소 가우시안 프로세스 융합 프레임워크는 m=500개의 유도 포인트를 사용할 경우 95% 신뢰구간이 진정된 신호를 견고하게 둘러싸며 진정된 신호를 성공적으로 재구성한다.
• 유도 포인트 수 m ∈ {100, 300, 500}를 변화시킴으로써 다양한 시간스케일의 신호 관측이 가능하며, 더 높은 m 값일수록 더 미세한 시간적 변동을 포착한다.
• 수렴 역사 분석 결과, 특히 백업 센서 신호가 초기에 잘 추정된 경우 반복 횟수가 증가할수록 보정 품질이 향상됨을 확인할 수 있었다.