[論文レビュー] Deep Learning for Inertial Positioning: A Survey

Changhao Chen, Pan, Xianfei|arXiv (Cornell University)|Mar 7, 2023

Indoor and Outdoor Localization Technologies被引用数 5

ひとこと要約

本サーベイは、低価格MEMS慣性センサを用いたインertialポジショニングにおけるディープラーニング技術について包括的なレビューを提供しており、センサーキャリブレーション、ドリフト低減、マルチセンサーフュージョンをカバーしている。従来の物理ベースの手法に比べて誤差ドリフトをより効果的に扱えるデータ駆動型アプローチの優位性を強調し、効率性、ベンチマーク、ハイブリッド学習-物理モデルに関する今後の研究のためのロードマップを提示する。

ABSTRACT

Inertial sensors are widely utilized in smartphones, drones, robots, and IoT devices, playing a crucial role in enabling ubiquitous and reliable localization. Inertial sensor-based positioning is essential in various applications, including personal navigation, location-based security, and human-device interaction. However, low-cost MEMS inertial sensors' measurements are inevitably corrupted by various error sources, leading to unbounded drifts when integrated doubly in traditional inertial navigation algorithms, subjecting inertial positioning to the problem of error drifts. In recent years, with the rapid increase in sensor data and computational power, deep learning techniques have been developed, sparking significant research into addressing the problem of inertial positioning. Relevant literature in this field spans across mobile computing, robotics, and machine learning. In this article, we provide a comprehensive review of deep learning-based inertial positioning and its applications in tracking pedestrians, drones, vehicles, and robots. We connect efforts from different fields and discuss how deep learning can be applied to address issues such as sensor calibration, positioning error drift reduction, and multi-sensor fusion. This article aims to attract readers from various backgrounds, including researchers and practitioners interested in the potential of deep learning-based techniques to solve inertial positioning problems. Our review demonstrates the exciting possibilities that deep learning brings to the table and provides a roadmap for future research in this field.

研究の動機と目的

• 低コストMEMS慣性ナビゲーションシステムにおける無制限の誤差ドリフトという根本的課題に対処すること。
• 大規模なセンサーデータから学習することで、インertialポジショニングの精度を向上させるディープラーニングベースの手法をレビューすること。
• 現在の研究におけるギャップを特定すること、特に標準化されたベンチマークの欠如、モデルの効率性、実世界での展開における耐障害性の欠如。
• 物理的制約をディープラーニングと統合することで、より安全で信頼性の高いインertialポジショニングシステムを実現すること。
• データ駆動型インertialナビゲーションにおける今後の研究のための統合的ロードマップを提供すること、これには新興のディープラーニングアーキテクチャとトレーニングパラダイムが含まれる。

提案手法

• インertialポジショニングにおけるディープラーニングの応用を、主に3つの分野に体系的に分類する：センサーキャリブレーション、誤差ドリフト低減、マルチセンサーフュージョン。
• 運動パターンやセンサーノイズ特性を学習するために用いられる、CNN、RNN、Transformerなどのニューラルネットワークアーキテクチャをレビューする。
• 微分可能な物理ベースのナビゲーションとエンドツーエンドのディープラーニングを組み合わせたハイブリッドモデルの分析。
• IoTやVR/ARシステムなどの低エンドデバイスへの展開を可能にするために、知識蒸留などのモデル圧縮技術を検討する。
• ユーザー、プラットフォーム、運動ダイナミクスの多様なデータセットから学習することで、一般化性能を向上させるデータ駆動型アプローチの検討。
• 安全性が求められる応用分野における信頼性と解釈可能性を高めるために、物理的制約をディープニューラルネットワークに統合する手法の提案。

Figure 1 : Inertial sensors are ubiquitous in modern platforms such as smartphones, drones, intelligent vehicles, and VR/AR devices. They play a critical role in enabling completely egocentric motion tracking and positioning, making them essential for a range of applications.

実験結果

リサーチクエスチョン

• RQ1 低コストMEMSセンサを用いたインertialナビゲーションシステムにおいて、ディープラーニングはどのように誤差ドリフトを効果的に低減できるか？
• RQ2 多様な運動パターンやデバイスに対応してインエントシャルポジショニングの精度を向上させるために、どのような主要なディープラーニングアーキテクチャとトレーニング戦略が有効か？
• RQ3 リソース制限のあるプラットフォーム、たとえばスマートフォンやドローンに適した効率的かつ展開可能なディープラーニングモデルはどのように実現できるか？
• RQ4 物理的制約は、データ駆動型インエントシャルポジショニングモデルのロバスト性と解釈可能性をどのように向上させることができるか？
• RQ5 ディープラーニングベースのインエントシャルポジショニングのベンチマークにおける主な課題は何か。標準化されたデータセットは今後の研究をどのように加速できるか？

主な発見

• 従来のカルマンフィルタリングや純粋なデッドレコニングに比べ、ディープラーニングベースのインエントシャルポジショニング手法は、誤差ドリフトを顕著に低減する。特に、定期的な歩行モデルやZUPTと組み合わせた場合に顕著である。
• 微分可能な物理ベースのナビゲーションとディープラーニングを統合したハイブリッドモデルは、長期追跡シナリオにおいて特に優れたロバスト性と一般化性能を示す。
• 知識蒸留などのモデル圧縮技術により、計算リソースやメモリが制限されたエッジデバイスへの大規模DNNの展開が可能になる。
• 強力な性能を発揮する一方で、物理的制約が欠如しているため、ディープラーニングモデルは突然の故障を起こしやすく、ハイブリッド学習-物理フレームワークの導入が不可欠である。
• 標準化されたベンチマークや多様で高精度なデータセットの欠如が、異なるプラットフォームやユーザー間での公平な比較や一般化性能の向上を妨げている。
• 対照学習、自己教師学習、拡散モデルといった新興のディープラーニングパラダイムは、低監視下でインエントシャルポジショニングを改善する強力な可能性を示している。

Figure 2 : An overview of existing deep learning based inertial sensor calibration methods