IONet- Learning to Cure the Curse of Drift in Inertial Odometry

该论文尝试使用深度学习方法去解决惯性导航中的漂移问题

摘要

  惯性传感器在室内定位中扮演着重要的角色，这也反过来为其在个人应用程序的普及奠定了基础。低成本的惯性传感器通常在智能手机中被使用，被偏差和噪声所困扰。其中最为突出的就是使用加速度计通过双重积分获得位移时无限增长的误差；其次，状态估计中的小问题会传播，使里程计在几秒钟内几乎无法使用。我们提出打破连续积分中的循环，使用独立窗口替代惯导数据。这个挑战变为估计每个窗口的潜在状态，例如速度和方向，不能直接从惯导数据中直接观测得到。我们将证明如何将这个问题作为一个优化问题，并且展示如何使用深度循环神经网络来产生非常精确的轨迹，优于最先进的浅层技术，在各种各样的测试中。特别是，我们证明了IONet可以概括性地估计非周期性运动的里程表，这对于现有技术来讲是一项极具挑战性的任务。

---

   快速准确的室内定位是基本的需求，适用于许多个人应用，包括智能零售、公共场所导航、人机交互、增强现实。最有前途的应用之一是使用惯性传感器进行航位推算，由于其出色的移动性和灵活性收到了学术界和工业界的极大关注。

  MEMS(微机电系统)传感器的最新进展是使用惯性测量单元(IMU)，由于其体积小、价格便宜，可以部署在智能机上。但是，智能机上的低成本惯性传感器被噪声所困扰，导致无法进行有界系统漂移。根据牛顿力学，传统捷联惯性导航系统(SINS)直接整合IMU的测量值，但是由于误差的指数传播，很难通过集成精度有限的IMU传感器实现。为了解决这些问题，提出了基于行人航位推算(PDR)的方法。

  这种方法通过逐步检测来估计轨迹，估计步长和航向并更新每一步的位置(A Reliable and Accurate Indoor Localization Method Using Phone Inertial Sensors)，代替对加速度双重积进行定位的方式，逐步检测可将误差的指数漂移降低到线性增长式漂移。然而，动态步骤估计受传感器噪声的影响，用户的步长习惯和手机附件的变化，导致整个系统出现不可避免的错误(Walk Detection and Step Counting on Unconstrained Smartphones)。在某些情况下，无法检测到任何步骤，例如，如果将智能机放在婴儿车或超市购物车上，逐步的基于PDR的周期性假设将被打破。因此，SINS和PDR的内在问题阻止了惯性定位在日常生活中的广泛使用，两种方法的体系结构如下图所示。

SINS and PDR

  为了解决惯性系统不可避免的“诅咒”，我们打破了持续误差传播的周期，将惯性追踪转换为顺序学习问题，替代逐步检测PDR的多个开发模块。我们的模型可以使用未经处理的数据为室内用户提供连续的轨迹，模型结构如下图所示。

基于学习的方法

  我们改进了三个方面:

• 我们将惯性追踪问题作为顺序学习来处理，通过从牛顿力学推导基于顺序的物理模型。
• 我们提出使用深度神经网络框架，该框架可从原始IMU数据中学习极坐标中的位置变换，并构造惯性里程表，而与IMU无关；
• 我们收集了一个大型数据集用于深度学习网络的训练和测试，并在不同的附件、用户、设备和新环境中进行了广泛的实验，其结果优于传统的SINS和PDR机制。另外，我们证明，了我们的模型可以推广到没有常规周期性的更普遍的运动，例如，手推车或其它轮式配置；

相关工作

  在本节中，我们简要概述了捷联惯性导航系统（SINS），行人航位推算(PDR)和前馈深度学习中的一些相关工作。

  捷联惯性导航系统（Strapdown Inertial Navigation System，SINS）：捷联惯性导航系统（SINS）已被研究应用十来年，早先的惯性系统严重依赖于昂贵、笨重、高精度的惯性测量单元，因此其主要应用限制大型移动设备上，如汽车、轮船、飞机、潜艇和航天器。MEMS的最新技术进展使低成本MEMS IMU可以部署在机器人技术，无人机和移动设备上。但是，受大小和成本的制约，MEMS IMU的精度受到极大限制，并且必须与其他传感器集成在一起，例如视觉惯性里程表。另一个解决方案是在用户的脚部附加IMU，以利用脚跟触地来进行零速度更新以补偿系统错误漂移。这些不便之处使惯性解决方案无法在消费级设备上得到广泛采用。

  行人航位推算（Pedestrian Dead Reckoning）：与SINS惯性传感器的开环集成不同，PDR使用惯性测量来逐步检测，通过经验公式估算步长和航向。 由于不正确的步距位移分割和步幅估计，系统错误仍会迅速累积。 另外，必须根据用户的步行习惯仔细调整大量参数。 最新的研究主要集中在将PDR与外部参考资料融合在一起，例如平面图，WiFi指纹识别或环境磁场，但仍然存在基本问题，误差的快速漂移仍未解决。 与先前的工作相比，我们放弃了基于步骤的方法，并提出了惯性里程表的新通用框架。 这使我们能够处理更一般的跟踪问题，包括手推车和轮式装置，这是基于步进的PDR无法解决的。

  前馈深度学习（Sequential Deep Learning）：深度学习方法在处理顺序数据方面表现出卓越的性能，例如语音识别、机器翻译、视觉跟踪和视频描述。目前来看，IONet是第一个仅使用惯性数据实现惯性里程计的神经网络框架。以前基于学习的方法通过采用视觉测距发和视觉惯性测距法，其它的集中在学习物理直觉，状态空间模型及通过物理知识建立的监督神经网络。尽管其中大多数使用视觉观察，但我们的工作是利用现实世界中的传感器测量来学习高级运动轨迹。

惯性追踪的诅咒

  惯性导航的原理基于牛顿力学,它们允许在给定初始姿势以及来自加速度计和陀螺仪的测量值的情况下，跟踪对象的位置和方向。

  图一说明了惯性导航算法的基本机制。三轴陀螺仪测量载体坐标系相对于地理坐标系的角速度，角速度集成在状态估计方程中，如下所示：

• 姿态跟新

   

   

   

• 速度更新

   

• 位置更新

   

为了表示方向，使用方向余弦矩阵表示从载体坐标系到地理坐标系的变换，并使用旋转矩阵更新

待续。。。。。。