[论文解读] Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation

Martin Brossard, Silvère Bonnabel+1 more|arXiv (Cornell University)|Feb 25, 2020

Inertial Sensor and Navigation参考文献 33被引用 146

一句话总结

一个经过监督的扩张卷积神经网络对IMU陀螺仪进行去噪，以实现开环姿态估计，在不使用视觉信息的情况下，在EuRoC和TUM-VI上达到接近最先进水平的精度。

ABSTRACT

This paper proposes a learning method for denoising gyroscopes of Inertial Measurement Units (IMUs) using ground truth data, and estimating in real time the orientation (attitude) of a robot in dead reckoning. The obtained algorithm outperforms the state-of-the-art on the (unseen) test sequences. The obtained performances are achieved thanks to a well-chosen model, a proper loss function for orientation increments, and through the identification of key points when training with high-frequency inertial data. Our approach builds upon a neural network based on dilated convolutions, without requiring any recurrent neural network. We demonstrate how efficient our strategy is for 3D attitude estimation on the EuRoC and TUM-VI datasets. Interestingly, we observe our dead reckoning algorithm manages to beat top-ranked visual-inertial odometry systems in terms of attitude estimation although it does not use vision sensors. We believe this paper offers new perspectives for visual-inertial localization and constitutes a step toward more efficient learning methods involving IMUs. Our open-source implementation is available at https://github.com/mbrossar/denoise-imu-gyro.

研究动机与目标

• 推动对低成本IMU陀螺仪的去噪以提升姿态估计。
• 开发一个基于CNN的模型，从短历史IMU数据中输出对陀螺仪测量的校正。
• 设计一个聚焦于姿态增量的训练损失，以实现从真实位姿中稳健学习。
• 在真实数据集（EuRoC与TUM-VI）上评估该方法，并与最先进的IMU及视觉-惯性方法进行比较。
• 提供开源代码并展示离线IMU标定和开环航迹推算的效率。

提出的方法

• 使用带扩张卷积的卷积神经网络，从过去一定窗口的IMU测量中预测陀螺仪的校正。
• 将修正后的陀螺仪建模为 ω̂_n = Ĉ_ω ω_n^IMU + ω̃_n，其中 Ĉ_ω 代表轴对齐误差和尺度，ω̃_n 捕捉偏置及时间变化效应。
• 使用一个小型网络（77,052个参数），窗口长度N对应约2.24秒的过去数据，避免递归网络。
• 使用对积分姿态增量的损失来训练网络，以在子区间（L_j，j=16和j=32）内比较真值与估计姿态。
• 结合数据增强（高斯噪声）和归一化；使用Adam和余弦重启进行高效收敛。
• 在EuRoC（无人机）和TUM-VI（手持）数据集上进行评估，并与校准IMU、OriNet和VIO基线进行比较。

实验结果

研究问题

• RQ1 仅使用过去的IMU数据且不使用递归，扩张卷积神经网络是否能有效对高频IMU陀螺仪进行去噪？
• RQ2 与经过校准的IMU和VIO方法相比，修正陀螺仪测量对开环姿态估计的影响有多大？
• RQ3 在IMU频率降低的情况下，哪种损失形式最能推动从真实位姿学习姿态增量？
• RQ4 在真实数据集上，该方法的数据效率（所需训练数据量）和计算效率是多少？

主要发现

• 所提出的方法在EuRoC和TUM-VI上实现了具有竞争力的姿态（AOE/ROE）和航向误差，仅使用IMU数据时优于OriNet，且接近使用视觉-惯性方法。
• 用学习到的校正对IMU进行标定，相较原始/校准IMU基线可带来显著的精度提升，且在姿态估计上可以超过某些VIO方法。
• 该方法的中位航向/姿态误差低至每分钟1.34度（EuRoC）和0.68度每分钟（TUM-VI）。
• 该方法使用紧凑网络（77k参数）并通过扩张卷积与树状损失评估实现高效计算，单个数据集的训练在5分钟内完成。
• 航向估计尤为准确，即便不使用视觉信息，该方法在姿态精度上仍与VIO具有竞争力。
• 该方法训练快速、运行轻量，适用于机载或资源受限的场景。