[논문 리뷰] OxIOD: The Dataset for Deep Inertial Odometry

Changhao Chen, Peijun Zhao외 4명|arXiv (Cornell University)|2018. 09. 20.

Indoor and Outdoor Localization Technologies참고 문헌 24인용 수 59

한 줄 요약

OxIOD는 ground-truth 라벨이 포함된 158개의 시퀀스 총 42.587 km에 달하는 크고 다양한 관성 주행측위 데이터셋을 공개하여 학습 기반 관성 내비게이션 연구를 가능하게 한다.

ABSTRACT

Advances in micro-electro-mechanical (MEMS) techniques enable inertial measurements units (IMUs) to be small, cheap, energy efficient, and widely used in smartphones, robots, and drones. Exploiting inertial data for accurate and reliable navigation and localization has attracted significant research and industrial interest, as IMU measurements are completely ego-centric and generally environment agnostic. Recent studies have shown that the notorious issue of drift can be significantly alleviated by using deep neural networks (DNNs), e.g. IONet. However, the lack of sufficient labelled data for training and testing various architectures limits the proliferation of adopting DNNs in IMU-based tasks. In this paper, we propose and release the Oxford Inertial Odometry Dataset (OxIOD), a first-of-its-kind data collection for inertial-odometry research, with all sequences having ground-truth labels. Our dataset contains 158 sequences totalling more than 42 km in total distance, much larger than previous inertial datasets. Another notable feature of this dataset lies in its diversity, which can reflect the complex motions of phone-based IMUs in various everyday usage. The measurements were collected with four different attachments (handheld, in the pocket, in the handbag and on the trolley), four motion modes (halting, walking slowly, walking normally, and running), five different users, four types of off-the-shelf consumer phones, and large-scale localization from office buildings. Deep inertial tracking experiments were conducted to show the effectiveness of our dataset in training deep neural network models and evaluate learning-based and model-based algorithms. The OxIOD Dataset is available at: http://deepio.cs.ox.ac.uk

연구 동기 및 목표

• 학습 기반 관성 내비게이션을 발전시키기 위해 크고, 다양하며 라벨이 부착된 관성 주행측위 데이터셋을 제공한다.
• 실제 사용 환경을 반영하기 위해 다양한 기기 배치로 일상적인 보행자 동작을 포착한다.
• 관성 주행측위와 보행자 데드 레코닝에 대한 딥러닝 모델의 학습과 평가를 가능하게 한다.
• 모델과 기준선의 객관적 벤치마킹을 지원하기 위한 정밀한 ground-truth 궤적을 제공한다.

제안 방법

• 네 가지 부착 방식(손에 들고, 주머니, 핸드백, 트롤리)에 배치된 일반 스마트폰을 사용하여 총 42.587 km에 이르는 158개의 관성 시퀀스를 수집한다.
• 대부분의 시퀀스에 대해 Vicon 모션 캡처 시스템(0.5 mm 정확도)으로 고정밀 ground truth를 기록한다; 대규모 오피스 플로어 데이터에는 Google Tango를 의사 ground truth로 사용한다.
• 다섯 명의 사용자에 걸쳐 동작(정지, 느린 걷기, 정상 걷기, 달리기)과 기기(iPhone 7 Plus, 6, 5, Nexus 5)를 다양하게 조합한다.
• OxIOD 데이터에서 학습 기반 관성 주행측위 모델(IONet 기반)과 간단한 PDR 베이스라인을 학습 및 평가한다.
• 순환 신경망을 사용하여 원시 관성 데이터로 속도 및 방향 회귀와 엔드 투 엔드 2D 궤적 재구성을 시연한다.

실험 결과

연구 질문

• RQ1 OxIOD에서 학습된 딥러닝 모델이 다양한 기기 배치와 동작 모드에 걸쳐 원시 관성 데이터로 보행자 궤적을 정확하게 재구성할 수 있는가?
• RQ2 OxIOD ground-truth 궤적에서 평가했을 때 모형 기반 관성 주행측위와 데이터 기반 접근법은 어떻게 비교되는가?
• RQ3 부착 유형, 모션 모드, 및 기기가 관성 주행측위 성능에 어떤 영향을 미치는가?
• RQ4 실세계 시나리오에서 새로운 사용자와 기기에 일반화하도록 모델을 학습시키는 데 OxIOD가 적합한가?

주요 결과

• A DeepIO (IONet-based) 모델은 원시 관성 데이터로 2D 궤적을 재구성하고 부착 방식에 따라 속도 및 방향 회귀를 보인다.
• Vicon의 ground-truth 데이터는 대규모 하위 집합을 제외한 132 시퀀스에 대해 0.5 mm 정확도를 제공하여 정밀한 평가를 가능하게 한다.
• OxIOD는 총 42.587 km에 이르는 158개의 시퀀스와 14.72 시간의 기록을 포함하며, 규모와 다양성 면에서 대부분의 이전 관성 주행측위 데이터셋을 능가한다.
• Google Tango를 이용한 대규모 로컬라이제이션 데이터는 두 개의 사무실 층에서 의사 ground truth를 제공하여 긴 궤적 평가에 사용된다.
• PDR 베이스라인은 비계단형 배치에서 실패하는 반면, 학습 기반 방법은 다양한 실제 배치에서 효과를 보인다.