[论文解读] Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions

Nadav Cohen, Itzik Klein|arXiv (Cornell University)|Jun 22, 2023

Inertial Sensor and Navigation被引用 5

一句话总结

本综述回顾了深度学习（DL）在惯性导航中的应用，重点提升陆地、空中和海上平台的位置、速度和姿态估计性能。研究探讨了基于深度学习的传感器融合、滤波器参数学习及传感器校准，发现RNN和CNN在模型架构中占主导地位，近期趋势正向受Transformer启发的模型转变，以超越传统基于模型的方法实现更优性能。

ABSTRACT

Inertial sensing is used in many applications and platforms, ranging from day-to-day devices such as smartphones to very complex ones such as autonomous vehicles. In recent years, the development of machine learning and deep learning techniques has increased significantly in the field of inertial sensing and sensor fusion. This is due to the development of efficient computing hardware and the accessibility of publicly available sensor data. These data-driven approaches mainly aim to empower model-based inertial sensing algorithms. To encourage further research in integrating deep learning with inertial navigation and fusion and to leverage their capabilities, this paper provides an in-depth review of deep learning methods for inertial sensing and sensor fusion. We discuss learning methods for calibration and denoising as well as approaches for improving pure inertial navigation and sensor fusion. The latter is done by learning some of the fusion filter parameters. The reviewed approaches are classified by the environment in which the vehicles operate: land, air, and sea. In addition, we analyze trends and future directions in deep learning-based navigation and provide statistical data on commonly used approaches.

研究动机与目标

• 回顾深度学习在惯性导航系统中的集成，以提升精度与鲁棒性。
• 分析数据驱动方法在陆地、空中和海上领域提升导航性能的当前趋势。
• 研究用于惯性测量单元（IMUs）传感器校准、去噪及自适应滤波器参数学习的深度学习技术。
• 识别主导的深度学习架构及其在不同导航场景下的性能表现。
• 突出新兴研究方向，包括基于Transformer的模型与混合架构在惯性导航中的应用。

提出的方法

• 本文对230余项关于深度学习在惯性导航中应用的研究进行了系统性综述，按应用领域（陆地、空中、海上）、任务类型（纯惯性、传感器融合、校准）和网络架构进行分类。
• 将深度学习方法划分为四类架构流：多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）及其他（如Transformer、强化学习）。
• 分析了深度学习集成的两种主要策略：(1) 利用深度学习从惯性数据中回归完整导航状态或残差状态；(2) 利用深度学习估计非线性滤波器（如EKF和UKF）中的滤波器参数，如噪声协方差矩阵。
• 对架构使用频率及研究重点进行统计分析，包括滤波器参数学习与状态估计的趋势对比。
• 综述包括平台间性能的对比分析，特别关注实时适用性及在不同IMU质量与运动动力学下的泛化能力。
• 评估迁移学习、生成对抗网络（GANs）及序列建模在提升对传感器噪声与动态环境鲁棒性方面的作用。

实验结果

研究问题

• RQ1 深度学习方法在陆地、空中和海上平台中如何被应用于提升惯性导航性能？
• RQ2 在惯性导航中，哪些是主导的深度学习架构？它们在性能与效率方面如何比较？
• RQ3 数据驱动方法在多大程度上优于传统基于模型的惯性导航与传感器融合技术？
• RQ4 近年来，研究重点如何从直接状态估计演变为自适应滤波器参数学习？
• RQ5 如Transformer等新兴架构在下一代惯性导航系统中展现出哪些潜力？

主要发现

• 在所审查的论文中，81%聚焦于提升位置、速度和姿态估计性能，19%关注滤波器参数优化，且后一类别在过去三年中显著增长。
• 循环神经网络（RNN）及其变体（LSTM、GRU）因适用于处理序列惯性数据而被最广泛使用，尽管CNN和1D-CNN也表现出强劲性能。
• 最近文献中，Transformer与BERT类架构开始涌现，表明向受自然语言处理启发的注意力机制模型转变，以提升时间建模能力。
• 结合CNN与RNN的混合架构（如CNN-LSTM）正日益被采用，以同时捕捉IMU信号中的局部模式与长期依赖关系。
• 基于深度学习的传感器校准与去噪方法在降低低成本IMU中的偏置与比例因子误差方面展现出显著潜力。
• 将深度学习集成至传感器融合流程中——特别是用于估计噪声协方差矩阵——已显著提升在无GNSS环境下的鲁棒性与精度。