Краткий обзор передовых решений на основе глубокого обучения для инерциальной навигации.

Вступление

За последнее десятилетие было представлено множество подходов к навигации, помогающих зрению, поскольку в наши дни существует широкий спектр приложений (Huang, 2019). Другими словами, классическая область инерциальной навигации с недорогими инерциальными датчиками в качестве единственного источника информации начала привлекать внимание новых методов глубокого обучения. Основная проблема инерциальной навигации - дрейф, который является важным источником ошибок. Еще больше проблем связано с неправильной инициализацией, неправильным моделированием датчиков и ошибками аппроксимации.

В этом посте мы рассмотрели интеграцию блока глубокого обучения и инерциального измерения (IMU) в классическую инерциальную навигационную систему (INS), которая решила только некоторые из вышеперечисленных проблем. Во-первых, мы представляем некоторые передовые архитектуры для улучшения оценки скорости, снижения шума, обнаружения нулевой скорости и прогнозирования ориентации и положения. Во-вторых, обсуждаются наборы данных KITTI и OxIOD. Наконец, представлены схемы пешеходной инерциальной навигации с глубоким обучением.

Новейшие решения на основе глубокого обучения

Одна из основных проблем в области навигации - оценка скорости. По мере того, как оценка становится точной, она также влияет на решение о местоположении. В работе, опубликованной в 2018 году Cortes et al., Был предложен подход к оценке скорости на основе глубокого обучения. Основная идея заключалась в том, чтобы добавить ограничение скорости к классической инерциальной навигационной системе (INS). Они оценили скорость от IMU только с помощью CNN, а затем ограничили решение INS этим прогнозом. Сформулируйте эту оценку как задачу глубокого обучения регрессии, где входными данными являются шесть каналов IMU в течение нескольких секунд, а выходными данными является скорость, которая улучшит отслеживание траектории и классификацию режимов движения.

Следующая работа, которую я хочу представить, касается снижения шума. Поскольку многие недорогие датчики страдают от высокого уровня шума и характеризуются профилем шума, при котором шум изменяется со временем, существует необходимость в его фильтрации. Однако, поскольку эти профили шума трудно оценить, использование подхода, основанного на глубоком обучении, похоже, решает эту проблему. Чен и др. (2018) представили новый подход к глубокому обучению для работы с множеством источников ошибок в сигналах датчиков. Таким образом, сигналы датчиков можно откорректировать и только потом использовать в навигационной схеме. Сообщают, что точность определения сигналов IMU составляет 80%. CNN также использовалась в этой работе, где она включает 5 сверточных слоев и один полносвязный слой.

Другая работа Wagstaff и Kelly (2018) связана с задачами навигации в помещении, в которых была представлена ​​схема обнаружения нулевой скорости стопы. Таким образом обеспечивается точность оценки скорости, и точность улучшается с помощью общей ИНС. Обнаружение было выполнено путем разработки нейронной сети с долговременной краткосрочной памятью (LSTM). Оценивая проект для данных о движении пешеходов в помещении на расстоянии более 7,5 [км], они сообщили о сокращении ошибки позиционирования более чем на 34%. Их архитектура включает 6 уровней LSTM, каждый из которых состоит из 80 единиц, и один полностью подключенный уровень после LSTM.

Последняя работа, которую я хочу обсудить, связана с одной из основных проблем в области навигации: прогнозированием отношения и положения. Достижение точной оценки положения очень важно для мультироторных систем, так как небольшие ошибки могут привести к нестабильности и, в конечном итоге, к катастрофе. Работа Аль-Шармана и др. (2019) представляет усовершенствование оценки состояния на основе глубокого обучения с конкретным приложением к оценке отношения. Они занялись проблемой точной оценки положения с помощью техники шумоподавления, тем самым определив характеристики шума измерений. Они использовали простую многослойную нейронную сеть с техникой отсева, которая превосходила традиционные подходы.

Общий набор данных

Доступны два общих набора данных для оценки различных предлагаемых подходов, и первый - это набор данных KITTI Технологического института Карлсруэ, который содержит значительный объем данных: Velodyne, IMU, GPS, калибровка камеры, стереопоследовательности в градациях серого, 3D этикетки для грузовиков и многое другое. В статье Гейгера и др. (2013) рассматривает весь набор данных. Alto KITTI - это основной набор данных в этой области, и я хотел бы упомянуть еще один совершенно новый набор данных под названием OxIOD от Oxford. Он используется для глубокой инерционной одометрии, и полная информация доступна в статье Chen et al. (2018).

Пешеходная инерциальная навигация

В последнее время растет интерес к применению методов глубокого обучения для определения движения и оценки местоположения пешеходов. В работе Chen et al. (2020) были рассмотрены метод INS для пешеходов, основанный на глубоком обучении, набор данных и интерфейс на устройстве. В своей работе они предложили L-IONet, фреймворк для изучения инерционного отслеживания на основе необработанных данных. Архитектура содержит в основном 1d расширенные сверточные слои, которые вдохновлены WaveNet и имеют полносвязные слои.

В другой работе Кляйна и др. (2020) представлена ​​StepNet: метод глубокого обучения для оценки длины шага. Авторы обратились к подсчету мертвых пешеходов в помещении с помощью семейства подходов, основанных на глубоком обучении, для регресса длины шага. Предлагаемый StepNet превосходит традиционные подходы, описанные в их статье.

Резюме

Поскольку популярность глубокого обучения продолжает расти, кажется, что оно решает многие классические проблемы в области инерциальной навигации. Как мы описали в этом посте, некоторые исследования касались интеграции глубокого обучения и инерциальной навигации с обещающими результатами.

использованная литература

Хуан, Гоцюань. «Визуально-инерциальная навигация: краткий обзор». Международная конференция по робототехнике и автоматизации (ICRA) 2019. IEEE, 2019.

Кортес, Сантьяго, Арно Солин и Юхо Каннала. «Оценка скорости на основе глубокого обучения для ограничения бесплатной инерциальной навигации на смартфонах». 28-й международный семинар IEEE 2018 по машинному обучению для обработки сигналов (MLSP). IEEE, 2018.

Чен, Хуа и др. «Улучшение инерциального датчика за счет уменьшения количества ошибок с помощью методологии глубокого обучения». Национальная конференция по аэрокосмической и электронной промышленности NAECON 2018-IEEE. IEEE, 2018.

Вагстафф, Брэндон и Джонатан Келли. «Обнаружение нулевой скорости на основе LSTM для надежной инерциальной навигации». Международная конференция по внутреннему позиционированию и внутренней навигации (IPIN) 2018. IEEE, 2018.

Аль-Шарман, Мохаммад К. и др. «Обучение нейронной сети на основе глубокого обучения для улучшения оценки состояния: приложение к оценке отношения». IEEE Transactions on Instrumentation and Measurement 69.1 (2019): 24–34.

Гейгер, Андреас и др. «Зрение встречается с робототехникой: набор данных о котиках». Международный журнал исследований робототехники 32.11 (2013): 1231–1237.

Чен, Чанхао и др. «Oxiod: набор данных для глубокой инерционной одометрии». Препринт arXiv arXiv: 1809.07491 (2018).

Чен, Чанхао и др. «Инерциальная навигация для пешеходов на основе глубокого обучения: методы, набор данных и вывод на устройстве». IEEE Internet of Things Journal 7.5 (2020): 4431–4441.

Кляйн, Ицик и Омри Асраф. «StepNet - подходы с глубоким обучением для оценки длины шага». IEEE Access 8 (2020): 85706–85713.