[论文解读] Surface Type Classification for Autonomous Robot Indoor Navigation

Francesco Lomio, Erjon Skënderi+4 more|arXiv (Cornell University)|May 1, 2019

Time Series Analysis and Forecasting参考文献 18被引用 8

一句话总结

本文介绍了一个公开可用的大规模时间序列数据集，该数据集记录了轮式机器人在九种室内地面类型上移动时的惯性测量数据，数据采集自IMU传感器。研究提出了一种基于XGBoost与深度学习架构（FCN、ResNet）的集成基线模型，在5折交叉验证中实现了68.21%的准确率和91.98%的AUC，为自主室内导航中的地面类型分类提供了基准参考。

ABSTRACT

In this work we describe the preparation of a time series dataset of inertial measurements for determining the surface type under a wheeled robot. The data consists of over 7600 labeled time series samples, with the corresponding surface type annotation. This data was used in two public competitions with over 1500 participant in total. Additionally, we describe the performance of state-of-art deep learning models for time series classification, as well as propose a baseline model based on an ensemble of machine learning methods. The baseline achieves an accuracy of over 68% with our nine-category dataset.

研究动机与目标

• 收集并发布一个全面的、公开可用的时间序列惯性测量数据集，用于室内地面类型分类。
• 评估最先进深度学习模型在该新型大规模室内地面类型数据集上的时间序列分类性能。
• 开发并验证一种结合经典机器学习与深度学习技术的稳健基线模型，用于地面类型识别。
• 支持大规模机器学习竞赛，并推动自主机器人导航领域中的社区基准测试。

提出的方法

• 使用安装在静音轮工业手推车上的XSENS MTi-300 IMU传感器，记录了九种室内地面类型的姿态（四元数）、角速度和线性加速度数据。
• 将原始IMU数据分割为长度固定的窗口，每段包含128个连续数据点，共形成7,626个带标签的时间序列样本。
• 通过将XGBoost与两种深度学习模型（全连接卷积网络FCN和残差网络ResNet）进行集成，构建了基线模型。
• 模型训练使用70%的数据，采用5折迭代随机交叉验证；通过等权重多数投票法融合预测结果。
• 使用Keras训练最先进深度学习模型（FCN、ResNet），使用Scikit-Learn训练经典XGBoost模型。
• 性能评估采用准确率和AUC指标，所有9种地面类别上的AUC采用宏平均计算。

实验结果

研究问题

• RQ1 在新型大规模室内地面类型数据集上，最先进深度学习模型在时间序列分类任务中的表现如何？
• RQ2 将经典机器学习与深度学习模型进行集成，相较于单一模型，在地面类型分类任务中的表现如何？
• RQ3 IMU信号中的姿态数据与运动模式在多大程度上能够实现准确的地面类型识别？
• RQ4 为何竞赛参与者取得的准确率显著高于基线模型？

主要发现

• 所提出的XGBoost、FCN与ResNet集成基线模型在5折交叉验证中，平均准确率达到68.21%，AUC为91.98%。
• ResNet模型单独运行时达到最高个体AUC（92.33%）和第二高准确率（64.95%），表明其能从时间序列中有效学习特征。
• 模型集成能持续提升性能，完整集成模型优于所有单一模型。
• FCN与ResNet模型的AUC均超过90%，表明其在地面类型分类任务中具有强大的判别能力。
• 竞赛结果显示，顶尖团队的准确率可达90%–100%，主要归因于姿态特征中存在与运动模式相关而非与地面类型直接相关的数据泄露。
• 该数据集被用于两次公开的Kaggle竞赛，累计参与人数超过1,500人，证实了其在机器学习社区中的实用性和相关性。