[论文解读] FootSLAM meets Adaptive Thresholding

Johan Wahlström, Andrew Markham+1 more|arXiv (Cornell University)|Nov 1, 2019

Indoor and Outdoor Localization Technologies参考文献 33被引用 4

一句话总结

本文提出了一种自包含的、基于最大似然估计的自适应阈值方法，用于惯性导航中的零速度检测，通过利用FootSLAM的姿态估计作为伪真值。通过使用FootSLAM生成的粒子权重来近似似然函数，该方法在无需真值数据、附加传感器或用户输入的情况下校准ZUPT阈值，与固定阈值方法相比，在不同步速条件下将中位水平误差降低了50%以上。

ABSTRACT

Calibration of the zero-velocity detection threshold is an essential prerequisite for zero-velocity-aided inertial navigation. However, the literature is lacking a self-contained calibration method, suitable for large-scale use in unprepared environments without map information or pre-deployed infrastructure. In this paper, the calibration of the zero-velocity detection threshold is formulated as a maximum likelihood problem. The likelihood function is approximated using estimation quantities readily available from the FootSLAM algorithm. Thus, we obtain a method for adaptive thresholding that does not require map information, measurements from supplementary sensors, or user input. Experimental evaluations are conducted using data with different gait speeds, sensor placements, and walking trajectories. The proposed calibration method is shown to outperform fixed-threshold zero-velocity detectors and a benchmark using a speed-based threshold classifier.

研究动机与目标

• 解决在无地图或基础设施的非准备室内环境中，零速度检测阈值缺乏自包含、大规模校准方法的问题。
• 消除在ZUPT辅助惯性导航中对真值数据、附加传感器或用户输入的依赖，以实现阈值校准。
• 开发一种能够适应动态因素（如步速、传感器位置和行走表面）而无需预先校准的方法。
• 通过将FootSLAM的输出视为阈值优化过程中的可靠代理真值，实现实时、自主校准。

提出的方法

• 将阈值校准建模为基于航位推算序列似然性的最大似然估计问题。
• 利用FootSLAM算法在姿态估计过程中生成的粒子权重来近似似然函数。
• 利用FootSLAM输出评估不同阈值的似然性，而无需外部真值数据。
• 通过选择能最大化轨迹中一致六边形过渡似然性的阈值来执行阈值优化。
• 在校准过程中确保FootSLAM收敛，以维持稳定且一致的行走模式，从而实现可靠估计。
• 将校准过程集成到导航流水线中，以实现实时、自适应的阈值调整。

实验结果

研究问题

• RQ1 是否可以在无需真值数据、附加传感器或用户输入的情况下校准零速度检测阈值？
• RQ2 FootSLAM的姿态估计能否作为阈值校准中可靠的真值代理？
• RQ3 在不同步速和传感器位置下，该方法是否优于固定阈值和基于速度的阈值分类器？
• RQ4 该方法是否能在不重新校准的情况下适应步态模式、行走表面或传感器位置的变化？
• RQ5 是否仅通过FootSLAM轨迹估计的内部一致性即可实现稳定且准确的校准？

主要发现

• 所提出的自适应阈值方法在不同步速条件下，与固定阈值检测器相比，将中位水平位置误差降低了50%以上。
• 该方法在各种行走轨迹和传感器位置下，优于基准的速度相关阈值分类器。
• 校准过程在无需真值数据、附加传感器或用户输入的情况下实现了稳定性能。
• 由于其自校准特性，该方法对步速、传感器位置和行走表面的变化表现出鲁棒性。
• FootSLAM在校准过程中的收敛性确保了可靠的似然近似，验证了其输出作为伪真值的适用性。
• 该方法可在无基础设施的非准备环境（如应急现场或室外区域）中实现校准。