[论文解读] Adaptive Step Size Learning with Applications to Velocity Aided Inertial Navigation System

Barak Or, Itzik Klein|arXiv (Cornell University)|Jun 27, 2022

Underwater Vehicles and Communication Systems参考文献 46被引用 8

一句话总结

本文提出了一种基于监督机器学习的自适应步长调参方法，用于由低更新率传感器（如DVL或GNSS）辅助的惯性导航系统（INS）。通过学习导航特征与次优IMU步长之间的关系，该方法在降低计算负载的同时最小化速度误差，在AUV和四旋翼无人机的仿真与实地实验中均展现出显著的效率提升。

ABSTRACT

Autonomous underwater vehicles (AUV) are commonly used in many underwater applications. Recently, the usage of multi-rotor unmanned autonomous vehicles (UAV) for marine applications is receiving more attention in the literature. Usually, both platforms employ an inertial navigation system (INS), and aiding sensors for an accurate navigation solution. In AUV navigation, Doppler velocity log (DVL) is mainly used to aid the INS, while for UAVs, it is common to use global navigation satellite systems (GNSS) receivers. The fusion between the aiding sensor and the INS requires a definition of step size parameter in the estimation process. It is responsible for the solution frequency update and, eventually, its accuracy. The choice of the step size poses a tradeoff between computational load and navigation performance. Generally, the aiding sensors update frequency is considered much slower compared to the INS operating frequency (hundreds Hertz). Such high rate is unnecessary for most platforms, specifically for low dynamics AUVs. In this work, a supervised machine learning based adaptive tuning scheme to select the proper INS step size is proposed. To that end, a velocity error bound is defined, allowing the INS/DVL or the INS/GNSS to act in a sub-optimal working conditions, and yet minimize the computational load. Results from simulations and field experiment show the benefits of using the proposed approach. In addition, the proposed framework can be applied to any other fusion scenarios between any type of sensors or platforms.

研究动机与目标

• 通过动态调整IMU步长，解决INS系统中计算负载与导航精度之间的权衡问题。
• 开发一种基于学习的框架，根据实时导航特征选择次优步长，以最小化速度误差。
• 在涉及AUV和四旋翼无人机的仿真与真实场景中，验证基于速度辅助的INS系统中该方法的有效性。

提出的方法

• 定义速度误差边界，以允许次优运行，同时保持可接受的精度。
• 训练监督机器学习模型，基于速度、加速度和传感器更新频率等导航特征预测最优IMU步长。
• 该框架将在线学习与EKF集成，实现在导航过程中实时自适应调整个步长。
• 特征工程提取相关状态变量（如速度、转弯速率）以支持模型预测。
• 将方法形式化为二分类任务（大步长与小步长），以减少振荡并提高滤波器稳定性。
• 该方法使用仿真数据和四旋翼无人机的实际飞行数据进行验证。

实验结果

研究问题

• RQ1 自适应步长选择对INS/DVL和INS/GNSS融合系统中速度误差的影响如何？
• RQ2 监督机器学习模型能否有效基于实时导航特征预测次优IMU步长？
• RQ3 在使用自适应步长调参时，计算负载减少与导航精度之间的权衡如何？
• RQ4 与固定步长方法相比，该方法在性能和效率方面表现如何？
• RQ5 该框架能否推广至DVL和GNSS以外的其他传感器融合场景？

主要发现

• 所提出的自适应步长学习方案显著降低了计算负载，同时将速度估计精度保持在可接受范围内。
• 仿真与实地实验表明，该方法在速度RMSE方面与固定小步长方法相当，但IMU更新次数更少。
• 采用二分类进行步长选择相比多分类或回归方法，能有效减少振荡并提高滤波器稳定性。
• 该框架在低动态场景中成功将IMU迭代次数减少高达90%，且未降低性能。
• 该方法具有通用性，可适用于任何INS辅助导航系统，包括使用不同传感器或平台的系统。