[논문 리뷰] RoNIN: Robust Neural Inertial Navigation in the Wild: Benchmark, Evaluations, and New Methods

Hang Yan, Sachini Herath외 1명|arXiv (Cornell University)|2019. 05. 30.

Robotics and Sensor-Based Localization참고 문헌 2인용 수 37

한 줄 요약

이 논문은 RoNIN을 소개하며 IMU 데이터에서 위치와 몸의 헤딩 추정을 개선하는 대규모 관성 탐색 벤치마크 및 신경망 아키텍처를 제시하고, 광범위한 평가와 코드/데이터의 공개를 포함한다.

ABSTRACT

This paper sets a new foundation for data-driven inertial navigation research, where the task is the estimation of positions and orientations of a moving subject from a sequence of IMU sensor measurements. More concretely, the paper presents 1) a new benchmark containing more than 40 hours of IMU sensor data from 100 human subjects with ground-truth 3D trajectories under natural human motions; 2) novel neural inertial navigation architectures, making significant improvements for challenging motion cases; and 3) qualitative and quantitative evaluations of the competing methods over three inertial navigation benchmarks. We will share the code and data to promote further research.

연구 동기 및 목표

• 강건한 학습을 위한 ground-truth 궤적을 포함한 대규모의 자연스러운 관성 항법 데이터세트를 구축한다.
• 다양한 조건에서 IMU 시퀀스로부터 모션 추정을 개선하는 RoNIN 변형 아키텍처를 제안한다.
• 노이즈가 있는 ground-truth 속도에서의 학습을 향상시키기 위해 좌표 프레임 정규화와 강건한 속도 로스를 도입한다.
• 여러 벤치마크에서 기존 베이스라인과 RoNIN을 비교 평가하고 미지의 피실험자에 대한 일반화를 분석한다.

제안 방법

• 프레임 의존 변동성을 제거하기 위해 헤딩에 무관한 HACF(Heading-Agnostic Coordinate Frame)로 좌표 프레임 정규화를 수행한다.
• IMU 이력에서 프레임 단위 속도를 회귀하기 위한 세 가지 RoNIN 백본: RoNIN-ResNet, RoNIN-LSTM, RoNIN-TCN.
• 강건한 속도 로스: 잠재 속도 로스(속도 시퀀스를 적분하여 ground-truth 위치와 일치)와 간격 속도 로스(고정 보폭의 위치 차를 일치).
• RoNIN 바디-헤딩 네트워크는 LSTM 기반 아키텍처를 사용하여 시간에 따른 헤딩을 sin/cos 값으로 예측하고 정규화 제약을 둔다.
• 자연스러운 기기 다루기를 가능하게 하면서 바디 궤적의 ground-truth를 제공하는 두 디바이스 데이터 수집 프로토콜.

실험 결과

연구 질문

• RQ1 데이터 기반 관성 항법이 자연스러운 설정에서 제약 없이 수집된 IMU 시퀀스로부터 강건한 바디 궤적을 학습할 수 있는가?
• RQ2 다양한 신경 백본(ResNet, LSTM, TCN)이 IMU 이력에서 속도 회귀에 대해 어떻게 비교되는가?
• RQ3 헤딩에 구애받지 않는 좌표 프레이밍과 강건한 속도 로스가 보이는 피험자와 보이지 않는 피험자 모두에서 강건성과 정확도를 향상시키는가?
• RQ4 대규모의 다양한 관성 항법 벤치마크에서 RoNIN의 성능은 기존 베이스라인에 비해 어떠한가?
• RQ5 RoNIN은 미지의 피험자 및 다양한 기기 배치에 얼마나 잘 일반화하는가?

주요 결과

• RoNIN은 RIDI 및 RoNIN 데이터세트에서 위치 추정을 대 baseline보다 크게 개선하며, 다른 방법이 어려워하는 복잡하고 자연스러운 모션을 처리한다.
• RoNIN 아키텍처는 보인 피험자와 보이지 않는 피험자 모두에서 더 나은 전반적 강건성을 달성하며, 제거 연구(ablation)는 좌표 프레임 정규화와 강건한 속도 로스의 중요성을 보여준다.
• 데이터세트는 100명의 피험자에서 3개의 Android 기기에 걸쳐 42.7시간이 넘는 IMU 데이터를 포함하며, 자연스러운 취급과 바디 궤적의 ground-truth를 포착하기 위한 두 디바이스 프로토콜로 수집되었다.
• RoNIN 헤딩 네트워크를 이용한 헤딩 추정은 기기 방향만 의존하는 베이스라인보다 몸의 방향을 더 정확히 예측할 수 있지만, 일부 복잡한 모션에는 여전히 도전이 있다.
• 특성 제거 연구는 좌표 프레임 정규화와 강건한 속도 로스를 결합하면 아키텍처 전체에서 가장 낮은 오차를 산출함을 보여준다.