[论文解读] A Computationally Efficient Framework for Automatic Inertial Sensor Calibration

James Balamuta, Stéphane Guerrier+2 more|arXiv (Cornell University)|Mar 16, 2016

Statistical and numerical algorithms参考文献 16被引用 4

一句话总结

本文提出了一种计算高效、统计稳健的 R 包，基于广义矩量波方法（GMWM），用于低成本惯性传感器的自动校准。该方法能够快速、一致地估计和选择 IMU 信号中复杂误差过程的模型，其稳定性与效率优于传统的 Allan 方差回归和最大似然方法。

ABSTRACT

The calibration of (low-cost) inertial sensors has become increasingly important over the past years since their use has grown exponentially in many applications going from unmanned aerial vehicle navigation to 3D-animation. However, this calibration procedure is often quite problematic since the signals issued from these sensors have a complex spectral structure and the methods available to estimate the parameters of these models are either unstable, computationally intensive and/or statistically inconsistent. This paper presents a new software platform for inertial sensor calibration based on the Generalized Method of Wavelet Moments which provides a computationally efficient, flexible, user-friendly and statistically sound tool to estimate and select from a wide range of complex models. The software is developed within the open-source statistical software R and is based on C++ language allowing it to achieve high computational performance.

研究动机与目标

• 解决现有惯性传感器校准方法（尤其是最大似然法和 Allan 方差线性回归）存在的不稳定性与计算负担问题。
• 开发一种统计一致且计算高效的框架，用于建模 MEMS 惯性传感器中复杂的非平稳误差信号。
• 通过 GMWM 估计器的鲁棒化版本，实现对数据污染（异常值）的鲁棒校准。
• 提供一个用户友好、开源的 R 软件平台，采用 C++ 后端，便于在导航与传感器融合应用中实际部署。
• 将该框架扩展至处理真实 IMU 动力学中常见的多变量与非平稳误差结构。

提出的方法

• 采用广义矩量波方法（GMWM），通过最小化经验波方差与理论波方差之间的距离来估计模型参数。
• 利用波方差（WV）作为关键汇总统计量，识别惯性传感器误差信号中的潜在随机过程。
• 应用 GMWM 的鲁棒版本以处理异常值和数据污染，提升在真实环境条件下的可靠性。
• 集成模型选择准则，用于对模型进行排序与选择，同时考虑模型复杂度。
• 在开源 R 包（'gmwm'）中实现该框架，采用基于 C++ 的计算以实现高性能与可扩展性。
• 通过动态因子类结构和时变自回归参数，对共享与轴向特定的误差分量进行建模，将方法扩展至多变量与非平稳场景。

实验结果

研究问题

• RQ1 如何比现有方法更高效、更可靠地建模具有复杂、非平稳且受污染动态特性的惯性传感器误差信号？
• RQ2 GMWM 框架能否提供一种统计一致且计算高效的替代方案，以替代最大似然法和 Allan 方差线性回归？
• RQ3 当数据中包含异常值或影响点时，鲁棒 GMWM 估计器在多大程度上能提升校准精度？
• RQ4 如何通过减少参数数量并提升拟合效果，对三轴传感器（加速度计与陀螺仪）之间的多变量误差结构进行建模？
• RQ5 该框架能否扩展为根据系统动态（如时变自回归参数）自适应调整噪声模型？

主要发现

• 基于 GMWM 的框架为最大似然估计提供了一种统计一致且计算高效的替代方案，后者常因数值不稳定性与收敛问题而受限。
• 所提出的方法优于 Allan 方差线性回归，后者在大多数情况下已被正式证明效率低下且不一致。
• GMWM 的鲁棒版本能有效处理数据污染，即使在误差信号中存在异常值的情况下也能实现可靠校准。
• 该软件平台通过基于预测误差的准则实现了快速、自动的模型选择，显著减少了人工调参，提升了可重复性。
• 将波方差作为主要诊断工具的集成，使得传感器误差信号中潜在随机过程的可视化与识别更加清晰。
• 未来扩展（如增强型 GMWM（GMWM+）和动态参数自适应）在复杂真实场景中展现出显著提升估计效率与建模精度的潜力。