[论文解读] Inertial Sensing Meets Artificial Intelligence: Opportunity or Challenge?

You Li, Ruizhi Chen+5 more|arXiv (Cornell University)|Jul 13, 2020

Indoor and Outdoor Localization Technologies参考文献 56被引用 9

一句话总结

本文综述了人工智能（AI）与惯性传感的融合，分析其在传感器设计、校准、导航算法及多传感器融合中的应用。文章识别出AI增强惯性传感的九项优势与九项挑战，强调需结合几何模型与AI的混合方法，以提升定位、导航与运动追踪系统在准确性、可靠性和实时性能方面的表现。

ABSTRACT

The inertial navigation system (INS) has been widely used to provide self-contained and continuous motion estimation in intelligent transportation systems. Recently, the emergence of chip-level inertial sensors has expanded the relevant applications from positioning, navigation, and mobile mapping to location-based services, unmanned systems, and transportation big data. Meanwhile, benefit from the emergence of big data and the improvement of algorithms and computing power, artificial intelligence (AI) has become a consensus tool that has been successfully applied in various fields. This article reviews the research on using AI technology to enhance inertial sensing from various aspects, including sensor design and selection, calibration and error modeling, navigation and motion-sensing algorithms, multi-sensor information fusion, system evaluation, and practical application. Based on the over 30 representative articles selected from the nearly 300 related publications, this article summarizes the state of the art, advantages, and challenges on each aspect. Finally, it summarizes nine advantages and nine challenges of AI-enhanced inertial sensing and then points out future research directions.

研究动机与目标

• 系统性回顾AI增强惯性传感在惯性传感应用全阶段的最新研究进展。
• 识别并分析将AI整合到惯性传感中的优势与挑战，尤其与传统几何建模方法进行对比。
• 评估AI在提升惯性导航系统中传感器校准、误差建模、运动追踪及多传感器融合方面的作用。
• 探讨当前AI在惯性传感中应用的局限性，如对标注数据的依赖、高计算负载以及可解释性不足。
• 提出未来研究方向，推动AI与惯性传感的深度融合，特别是在自主系统、可穿戴设备和运动大数据领域。

提出的方法

• 从近300篇相关文献中，系统性筛选并分析了30篇具有代表性的研究。
• 根据AI在惯性传感中的角色对应用进行分类：传感器硬件、校准、导航算法、多传感器融合及系统评估。
• 对所用AI模型进行分类，包括人工神经网络（ANN）、ANFIS、遗传算法、深度强化学习（DRL）及经验模态分解。
• 分析AI应用中的输入与输出数据流，如用于偏差估计或运动状态分类的传感器数据。
• 采用估计精度、计算负载及不同平台（如汽车、机器人、可穿戴设备）上的泛化能力等指标评估性能。
• 提出一种混合框架，将几何惯性模型与AI结合，以在保持短期精度的同时提升对复杂非线性动态的适应能力。

实验结果

研究问题

• RQ1 AI如何在从传感器设计到系统级应用的全链条中提升惯性传感性能？
• RQ2 与传统几何方法相比，AI在惯性传感器校准、误差建模和运动估计中的关键优势与局限性是什么？
• RQ3 尽管AI在分类任务中表现优异，为何其在参数估计与传感器硬件设计中的应用仍存在明显空白？
• RQ4 如何有效结合AI与几何惯性算法，以在保持短期精度的同时提升对非线性和时变误差的适应能力？
• RQ5 AI在惯性传感中广泛应用的主要障碍是什么？如何通过数据、算法与系统层面的创新加以克服？

主要发现

• 当具备足够标注数据时，AI在惯性传感任务（如运动分类与偏差估计）中表现出色。
• 当前研究以监督学习AI方法为主导，但无监督与自监督方法仍处于发展初期，对复杂惯性传感问题的准确率较低。
• 基于AI的惯性导航系统通常比传统几何算法具有更高的计算负载，尤其在基于回归的参数估计任务中更为明显。
• 缺乏公开、标准化的数据集阻碍了研究的可复现性与公平比较，制约了该领域的发展。
• AI模型常掩盖惯性系统中的物理与几何关系，降低可解释性，且在缺乏可观测性分析的情况下难以预测性能。
• 混合方法——将AI与传统几何模型融合——在保持短期精度的同时，显著提升了在非线性、高噪声或时变环境下的鲁棒性，展现出广阔前景。