Deep Learning for Inertial Positioning: A Survey

要約

慣性センサーは、スマートフォン、ドローン、ロボット、IoT デバイスに広く展開されています。
ユビキタスで堅牢なローカリゼーションにおけるその重要性により、慣性センサー ベースのポジショニングは、パーソナル ナビゲーション、ロケーション ベースのセキュリティ、ヒューマン デバイス インタラクションなど、多くのアプリケーションで重要です。
ただし、従来の慣性ナビゲーション アルゴリズムに二重に統合されると、低コストの MEMS 慣性センサーの測定値がさまざまな不可避のエラー ソースで破損し、無限のドリフトが発生するため、慣性測位はいわゆるエラー ドリフトの問題に悩まされます。
最近、センサー データと計算能力の増加に伴い、ディープ ラーニングの急速な発展により、慣性測位の問題に取り組むためにディープ ラーニングを導入するための大量の研究作業が促進されています。
関連する文献は、モバイル コンピューティング、ロボット工学、機械学習の分野に及びます。
この記事では、深層学習に基づく慣性測位に関する関連研究を包括的にレビューし、さまざまな分野の取り組みを結び付け、深層学習を適用してセンサーのキャリブレーション、測位誤差のドリフトの低減、およびセンサーの融合を解決する方法について説明します。
最後に、既存の作業の利点と制限についての洞察を提供し、この方向での将来の機会を示します。

要約(オリジナル)

Inertial sensor has been widely deployed on smartphones, drones, robots and IoT devices. Due to its importance in ubiquitous and robust localization, inertial sensor based positioning is key in many applications, including personal navigation, location based security, and human-device interaction. However, inertial positioning suffers from the so-called error drifts problem, as the measurements of low-cost MEMS inertial sensor are corrupted with various inevitable error sources, leading to unbounded drifts when being integrated doubly in traditional inertial navigation algorithms. Recently, with increasing sensor data and computational power, the fast developments in deep learning have spurred a large amount of research works in introducing deep learning to tackle the problem of inertial positioning. Relevant literature spans from the areas of mobile computing, robotics and machine learning. This article comprehensively reviews relevant works on deep learning based inertial positioning, connects the efforts from different fields, and covers how deep learning can be applied to solve sensor calibration, positioning error drifts reduction and sensor fusion. Finally, we provide insights on the benefits and limitations of existing works, and indicate the future opportunities in this direction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google