[论文解读] Data-Driven Denoising of Stationary Accelerometer Signals

Daniel Engelsman, Itzik Klein|arXiv (Cornell University)|Jun 13, 2022

Inertial Sensor and Navigation参考文献 49被引用 4

一句话总结

本文提出了一种基于数据驱动的去噪方法，用于静止状态下的陀螺仪信号，采用机器学习技术，特别是k-最近邻（kNN）和深度学习模型，以超越传统信号处理技术。该方法在静止粗对准过程中实现了角误差降低一个数量级，展示了在模拟数据和真实世界数据上均具有优越的噪声抑制能力和导航性能。

ABSTRACT

Modern navigation solutions are largely dependent on the performances of the standalone inertial sensors, especially at times when no external sources are available. During these outages, the inertial navigation solution is likely to degrade over time due to instrumental noises sources, particularly when using consumer low-cost inertial sensors. Conventionally, model-based estimation algorithms are employed to reduce noise levels and enhance meaningful information, thus improving the navigation solution directly. However, guaranteeing their optimality often proves to be challenging as sensors performance differ in manufacturing quality, process noise modeling, and calibration precision. In the literature, most inertial denoising models are model-based when recently several data-driven approaches were suggested primarily for gyroscope measurements denoising. Data-driven approaches for accelerometer denoising task are more challenging due to the unknown gravity projection on the accelerometer axes. To fill this gap, we propose several learning-based approaches and compare their performances with prominent denoising algorithms, in terms of pure noise removal, followed by stationary coarse alignment procedure. Based on the benchmarking results, obtained in field experiments, we show that: (i) learning-based models perform better than traditional signal processing filtering; (ii) non-parametric kNN algorithm outperforms all state of the art deep learning models examined in this study; (iii) denoising can be fruitful for pure inertial signal reconstruction, but moreover for navigation-related tasks, as both errors are shown to be reduced up to one order of magnitude.

研究动机与目标

• 为解决低成本MEMS加速度计在静止状态下信号去噪的挑战，其中重力会引入大且可变的偏置。
• 克服基于模型的滤波方法的局限性，这些方法严重依赖于精确校准和噪声建模，而这些在实际中往往难以实现。
• 评估数据驱动方法是否能在惯性信号重建和导航精度方面超越传统信号处理技术。
• 在相同条件下，将基于学习的模型与经典滤波器进行基准测试，使用模拟和真实世界加速度计数据。
• 评估去噪对导航相关任务（即静止粗对准，SCA）的影响。

提出的方法

• 作者采用k-最近邻（kNN）和深度学习模型，基于从训练数据中学到的模式对静止加速度计信号进行去噪。
• kNN模型利用输入信号与其在特征空间中k个最近邻之间的语义相似性，重构出更清洁的信号。
• 构建了一个综合数据集，包含受控噪声的模拟IMU数据，以及智能手机和高端惯性传感器的真实世界数据作为真实值。
• 使用重建误差指标（如相对绝对误差，RAE）评估信号去噪性能。
• 通过静止粗对准（SCA）过程进一步验证去噪效果，测量滚动和俯仰角估计中角误差的降低。
• 在相同条件下，比较多种基于学习的模型与经典信号处理滤波器（如移动平均、ARMA、EMD）的性能。

Figure 1: Denoising mapping function $f:\boldsymbol{x}\rightarrow\hat{\boldsymbol{x}}$

实验结果

研究问题

• RQ1 数据驱动的去噪模型是否能在从噪声静止测量中重建干净加速度计信号方面优于传统信号处理滤波器？
• RQ2 与传统滤波方法相比，基于学习的模型在静止粗对准（SCA）过程中减少角误差的表现如何？
• RQ3 真实世界噪声和未知误差源对数据驱动去噪模型泛化能力和性能的影响是什么？
• RQ4 kNN和深度学习模型的去噪能力在多大程度上转化为导航解算精度的提升？
• RQ5 非参数模型如kNN是否能有效泛化到具有复杂未知噪声模式的真实世界加速度计数据？

主要发现

• 在实验验证中，基于kNN的去噪模型相比原始噪声输入，将重建误差（RAE）降低了约9.38%，表明信号保真度更优。
• 在静止粗对准任务中，kNN模型将滚动角的RMSE从0.30042°降低至0.03398°，俯仰角从0.50251°降低至0.06676°，实现了数量级的改进。
• 实验结果表明，模拟场景与真实世界场景之间存在显著性能差距，但真实世界噪声模式对模型性能的劣化程度低于预期，可能归因于模型对未知误差源的鲁棒性。
• kNN模型在模拟和真实世界环境中均优于所有其他测试模型，包括深度学习和经典滤波器，尤其在角误差降低方面表现突出。
• 本研究证实，即使存在未知或未建模的噪声，数据驱动方法也能很好地泛化到真实世界加速度计数据，并显著提升导航精度。
• 尽管在可解释性和对未见动态的泛化能力方面存在局限，结果表明基于学习的去噪是静止惯性信号处理中传统滤波的可行且有效的替代方案。

Figure 2: One-layer recurrent neural network (RNN)