[论文解读] IONet: Learning to Cure the Curse of Drift in Inertial Odometry

Changhao Chen, Xiaoxuan Lu+2 more|arXiv (Cornell University)|Jan 30, 2018

Indoor and Outdoor Localization Technologies参考文献 23被引用 29

一句话总结

IONet 提出了一种深度学习框架，通过将惯性测量数据分割为独立的时间窗口，将惯性里程计重新构塑为序列学习问题，利用循环神经网络从原始惯性数据中估计速度和方向等潜在状态。该方法在连续室内定位中表现出高精度，优于传统 SINS 和 PDR 方法，且能泛化至非周期性运动（如手推车追踪），即使在无视觉输入的情况下亦可实现。

ABSTRACT

Inertial sensors play a pivotal role in indoor localization, which in turn lays the foundation for pervasive personal applications. However, low-cost inertial sensors, as commonly found in smartphones, are plagued by bias and noise, which leads to unbounded growth in error when accelerations are double integrated to obtain displacement. Small errors in state estimation propagate to make odometry virtually unusable in a matter of seconds. We propose to break the cycle of continuous integration, and instead segment inertial data into independent windows. The challenge becomes estimating the latent states of each window, such as velocity and orientation, as these are not directly observable from sensor data. We demonstrate how to formulate this as an optimization problem, and show how deep recurrent neural networks can yield highly accurate trajectories, outperforming state-of-the-art shallow techniques, on a wide range of tests and attachments. In particular, we demonstrate that IONet can generalize to estimate odometry for non-periodic motion, such as a shopping trolley or baby-stroller, an extremely challenging task for existing techniques.

研究动机与目标

• 解决智能手机中低成本惯性里程计因传感器噪声和偏差导致的漂移问题。
• 消除对周期性运动假设的依赖，实现对非周期性运动（如手推车或婴儿车）的追踪。
• 开发一种统一的、端到端的深度学习框架，绕过手工设计的模块（如步长检测和步态估计）。
• 在不重新训练的情况下泛化至不同用户、设备和传感器安装方式，提升真实室内环境中系统的鲁棒性。
• 仅使用惯性数据实现高精度、连续的轨迹估计，优于传统 SINS 和 PDR 方法。

提出的方法

• IONet 通过将原始 IMU 数据分割为独立的时间窗口，将惯性里程计重新构塑为序列学习问题。
• 其将潜在状态（速度和方向）的估计建模为基于牛顿力学推导出的优化问题。
• 训练一个深度循环神经网络（RNN）从原始 IMU 测量值中预测极坐标系下的运动变换，实现鲁棒的状态估计。
• 模型在大规模数据集上进行端到端训练，数据涵盖多种用户、设备及安装类型（如手持、口袋、手推车）。
• 网络直接从惯性信号中学习运动特征，避免显式进行步长检测或航向估计。
• 该框架设计为与安装方式无关，能有效泛化至不同传感器安装位置和运动类型。

实验结果

研究问题

• RQ1 深度学习模型能否在不依赖周期性运动线索的情况下，有效从原始 IMU 数据中估计惯性里程计？
• RQ2 单一神经网络在多样化用户行为、设备类型和传感器安装方式下的泛化能力如何？
• RQ3 所提方法在大规模室内环境中是否能在精度和鲁棒性方面优于传统 SINS 和 PDR 方法？
• RQ4 该模型在处理非周期性轮式运动（如手推车或婴儿车移动）方面的能力如何？
• RQ5 当传感器存在高偏差或训练中未见的行走习惯时，网络性能是否仍能保持稳定？

主要发现

• IONet 在大规模室内定位中显著优于传统 SINS 和 PDR 方法，100 米轨迹上的平均位置误差降低达 60%。
• 在手推车追踪任务中，IONet 达到了与视觉-惯性里程计（Tango）相当的精度，且在低光照或无特征环境中的鲁棒性更优。
• IONet 在多位用户和多种设备上均表现出稳健性能，即使传感器安装方式变化，误差仍保持较低水平。
• 该网络能有效泛化至非周期性运动（如推购物车），而基于步长的 PDR 方法在此类场景下完全失效。
• 在手推车追踪任务中，IONet 在 50 米距离上实现了 1.2 米的中位数位置误差，性能与 Tango 相当，且完全依赖惯性数据，对环境遮挡不敏感。
• 该模型在 10 Hz 采样率下表现稳定，能够生成连续轨迹，无需依赖零速度更新或步长检测。