[论文解读] DANAE: a denoising autoencoder for underwater attitude estimation

Paolo Russo, Fabiana Di Ciaccio+1 more|arXiv (Cornell University)|Nov 13, 2020

Underwater Vehicles and Communication Systems参考文献 29被引用 4

一句话总结

本文提出DANAE，一种深度去噪自编码器，通过减少IMU/AHRS数据中卡尔曼滤波输出的噪声，提升了水下姿态估计性能。通过从噪声输入中学习重建干净的欧拉角，DANAE在OxIOD上将RMSE降低63%，在UCS上降低55%，展示了无需超参数调优的、与滤波器无关的鲁棒噪声补偿能力。

ABSTRACT

One of the main issues for underwater robots navigation is their accurate positioning, which heavily depends on the orientation estimation phase. The systems employed to this scope are affected by different noise typologies, mainly related to the sensors and to the irregular noise of the underwater environment. Filtering algorithms can reduce their effect if opportunely configured, but this process usually requires fine techniques and time. In this paper we propose DANAE, a deep Denoising AutoeNcoder for Attitude Estimation which works on Kalman filter IMU/AHRS data integration with the aim of reducing any kind of noise, independently of its nature. This deep learning-based architecture showed to be robust and reliable, significantly improving the Kalman filter results. Further tests could make this method suitable for real-time applications on navigation tasks.

研究动机与目标

• 为解决水下机器人中因GPS不可用、传感器噪声导致导航精度下降的挑战，提升水下姿态估计的鲁棒性。
• 开发一种对噪声鲁棒、与滤波器无关的深度学习模型，无需事先了解噪声特性，即可补偿IMU/AHRS数据中的随机误差与偏置误差。
• 通过利用去噪自编码器重建更清洁的欧拉角信号，提升基于卡尔曼滤波的姿态估计性能。
• 在真实水下数据集上评估该方法，并证明其在自主水下导航中实现实时部署的潜力。

提出的方法

• DANAE采用深度1D卷积编码器-解码器架构，结合空洞卷积，学习噪声IMU/AHRS输入序列的压缩潜在表征。
• 模型采用去噪自编码器目标，通过在污染输入序列上进行训练，从原始信号中重建出干净的欧拉角（横滚、俯仰、偏航）。
• 解码器使用转置空洞卷积将潜在表征上采样回原始序列长度，跳跃连接将对应编码器与解码器层的输出进行融合。
• 该架构使用Adam优化器进行端到端训练，固定初始学习率为0.002，批量大小为16，在UCS上训练100个周期，在OxIOD每个子集上训练1个周期。
• 该方法与滤波器无关，意味着可直接应用于任意卡尔曼滤波变体（如EKF、UKF）的输出，无需修改。
• 通过标准指标（平均偏差、最大偏差、RMSE）与真实值对比，对模型进行评估。

实验结果

研究问题

• RQ1 在不了解噪声源的前提下，深度去噪自编码器能否有效降低卡尔曼滤波输出在水下姿态估计中的噪声？
• RQ2 在多样化的水下数据集上，DANAE相较于卡尔曼滤波基线，在RMSE、平均偏差和最大偏差方面的性能表现如何？
• RQ3 DANAE在无需超参数调优的情况下，对不同噪声特性（包括传感器偏置与环境干扰）的鲁棒性如何？
• RQ4 DANAE能否有效应用于非线性卡尔曼滤波器（如EKF、UKF）并实现对实时水下导航的可扩展性？

主要发现

• 在OxIO数据集上，与卡尔曼滤波基线相比，DANAE将横滚、俯仰和偏航的RMSE分别降低了63%、68%和45%。
• 在UCS数据集上，DANAE将横滚和俯_pitch的RMSE分别降低了55%和54%，平均偏差分别降低57%和55%。
• 在OxIO数据集上，横滚的最大偏差降低了53%，俯仰的最大偏差降低了49%，表明对异常值的鲁棒性显著提升。
• 该模型在不同噪声特性下表现一致，且无需针对不同数据集重新调参，展现出强大的泛化能力与鲁棒性。
• 图1与图2的可视化对比显示，DANAE的输出更贴近真实值，显著减少了信号拉伸与抖动，相比卡尔曼滤波表现更优。
• 由于磁力计非线性与环境干扰，偏航角在KF与DANAE中均表现不稳定，但DANAE在OxIO上仍将RMSE降低了45%，在UCS上降低了54%。