[论文解读] RoNIN: Robust Neural Inertial Navigation in the Wild: Benchmark, Evaluations, and New Methods

Hang Yan, Sachini Herath+1 more|arXiv (Cornell University)|May 30, 2019

Robotics and Sensor-Based Localization参考文献 2被引用 37

一句话总结

该论文提出 RoNIN，一种大规模惯性导航基准和改进 IMU 数据定位与身体朝向估计的神经网络架构，进行了广泛评估并公开发布代码/数据。

ABSTRACT

This paper sets a new foundation for data-driven inertial navigation research, where the task is the estimation of positions and orientations of a moving subject from a sequence of IMU sensor measurements. More concretely, the paper presents 1) a new benchmark containing more than 40 hours of IMU sensor data from 100 human subjects with ground-truth 3D trajectories under natural human motions; 2) novel neural inertial navigation architectures, making significant improvements for challenging motion cases; and 3) qualitative and quantitative evaluations of the competing methods over three inertial navigation benchmarks. We will share the code and data to promote further research.

研究动机与目标

• 建立一个大规模、自然场景的惯性导航数据集，包含用于稳健学习的真值轨迹。
• 提出神经架构（RoNIN 变体），在多样条件下改进来自 IMU 序列的运动估计。
• 引入坐标系归一化和鲁棒速度损失，以提升从嘈杂地面真值速度中学习的能力。
• 在多个基准上将 RoNIN 与现有基线进行比较，并分析对未见受试者的泛化能力。

提出的方法

• 将坐标系归一化为一个与朝向无关的坐标系（HACF），以消除与坐标系相关的变异。
• 三种 RoNIN 主干网络：RoNIN-ResNet、RoNIN-LSTM 和 RoNIN-TCN，用于从 IMU 历史回归帧级速度。
• 鲁棒速度损失：潜在速度损失（将速度序列积分以匹配地面真值位置）和跨固定步长的速度损失（匹配位置增量）。
• RoNIN 身体朝向网络使用基于 LSTM 的架构，随时间以 sin/cos 值预测朝向，并带有归一化约束。
• 两设备数据采集协议，在实现自然设备操作的同时，提供来自身体安装的 3D 跟踪手机的地面真值身体轨迹。

实验结果

研究问题

• RQ1 数据驱动的惯性导航是否能够在自然场景的无约束 IMU 序列中学习稳健的身体轨迹？
• RQ2 不同神经主干（ResNet、LSTM、TCN）在从 IMU 历史中回归速度方面有何比较？
• RQ3 朝向无关坐标框架和鲁棒速度损失是否提升对已见与未见受试者的鲁棒性和准确性？
• RQ4 在大规模、多样化的惯性导航基准测试中，RoNIN 相对现有基线的表现如何？
• RQ5 RoNIN 对未见受试者和不同设备摆放的泛化能力如何？

主要发现

• 相较于基线，RoNIN 在 RIDI 和 RoNIN 数据集上显著提升位置估计，能够处理其他方法难以应对的复杂和自然运动。
• RoNIN 架构在对已见和未见受试者的总体鲁棒性方面表现更好，消融实验显示坐标框架归一化和鲁棒速度损失的重要性。
• 该数据集包含来自 100 名受试者、三种 Android 设备的超过 42.7 小时的 IMU 数据，采用两设备协议以捕捉自然操作和地面真值身体轨迹。
• 使用 RoNIN 头部网络进行头向估计在预测身体朝向方面比仅依赖设备朝向的基线更准确，尽管某些复杂运动仍具挑战性。
• 消融研究表明，将坐标框架归一化与鲁棒速度损失结合，可在各架构上产生最低误差。