[论文解读] IDOL: Inertial Deep Orientation-Estimation and Localization

Scott Sun, Dennis Melamed+1 more|arXiv (Cornell University)|Feb 8, 2021

Indoor and Outdoor Localization Technologies参考文献 28被引用 5

一句话总结

IDOL 提出了一种两阶段、端到端的深度学习流水线，用于惯性行人定位。该方法首先利用长短期记忆网络（LSTM）和扩展卡尔曼滤波器（EKF）对惯性测量单元（IMU）数据进行设备方向估计，然后利用校正后的方向信息，通过另一组循环神经网络（RNN）提升三维位置估计。该方法在包含15名受试者、持续20小时的多栋建筑数据集上实现了最先进性能，显著降低了方向估计和定位误差。

ABSTRACT

Many smartphone applications use inertial measurement units (IMUs) to sense movement, but the use of these sensors for pedestrian localization can be challenging due to their noise characteristics. Recent data-driven inertial odometry approaches have demonstrated the increasing feasibility of inertial navigation. However, they still rely upon conventional smartphone orientation estimates that they assume to be accurate, while in fact these orientation estimates can be a significant source of error. To address the problem of inaccurate orientation estimates, we present a two-stage, data-driven pipeline using a commodity smartphone that first estimates device orientations and then estimates device position. The orientation module relies on a recurrent neural network and Extended Kalman Filter to obtain orientation estimates that are used to then rotate raw IMU measurements into the appropriate reference frame. The position module then passes those measurements through another recurrent network architecture to perform localization. Our proposed method outperforms state-of-the-art methods in both orientation and position error on a large dataset we constructed that contains 20 hours of pedestrian motion across 3 buildings and 15 subjects.

研究动机与目标

• 解决惯性测程中的关键限制：即智能手机方向估计不准确会将误差传播至位置估计。
• 开发一种基于数据驱动的端到端系统，仅使用市售智能手机的IMU数据，联合优化方向估计与定位。
• 构建一个大规模、多栋建筑、多受试者的数据集，包含6自由度姿态标注（3D位置 + 方向），以支持惯性定位研究。
• 证明提升方向估计精度可显著提高定位准确性，尤其在大型复杂环境中。

提出的方法

• 使用循环神经网络（LSTM）处理原始IMU数据（加速度计、陀螺仪、磁力计）的短时间窗口，进行初始方向估计。
• 将LSTM输出与扩展卡尔曼滤波器（EKF）融合，以优化并稳定方向估计，降低噪声与漂移。
• 利用估计的方向将原始IMU测量值旋转至全局参考系，校正传感器坐标系下的数据。
• 将校正后的IMU测量值输入第二个基于RNN的网络，通过端到端学习估计2D或3D设备位置。
• 采用两阶段监督方式训练整个系统：先训练方向估计，再训练位置估计，使用真实6D姿态标注。
• 通过在多栋建筑中训练多样化的运动模式与磁环境数据，提升模型泛化能力。

实验结果

研究问题

• RQ1 与传统智能手机方向估计相比，基于深度学习的方向估计器能否显著提升惯性行人定位的准确性？
• RQ2 端到端惯性定位的性能在具有不同磁环境与结构特征的各类建筑中表现如何？
• RQ3 在大规模真实环境中，学习得到的方向模块能在多大程度上减少漂移并提升位置估计精度？
• RQ4 当泛化到未见过的建筑或磁环境时，数据驱动惯性定位的失效模式是什么？
• RQ5 作为即插即用的组件，方向模块能否在不重新训练的情况下提升现有惯性测程系统的表现？

主要发现

• IDOL 在20小时、多栋建筑的数据集上，于方向估计与位置估计两方面均优于最先进方法，显著降低了平均轨迹误差（ATE）与相对轨迹误差（RTE）。
• 与iPhone 8的默认方向估计相比，IDOL的方向模块将方向误差降低了超过20°，显著提升了下游定位性能。
• 作为即插即用组件使用时，IDOL的方向模块可显著提升现有模型（如RoNIN与TLIO）的性能，几乎达到使用真实方向时的性能上限。
• 在多样数据上进行训练后，模型对未知受试者与建筑具有良好的泛化能力，但在强磁干扰环境中性能有所下降。
• 磁力计数据的使用使磁环境中的方向估计更加准确，但也引入了在磁环境不同的新建筑中出现失效模式的风险。
• 在跨建筑评估中，位置估计因分布偏移而失败，凸显了真实世界部署中数据驱动惯性定位的关键挑战。