TE-PINN: Quaternion-Based Orientation Estimation using Transformer-Enhanced Physics-Informed Neural Networks

要約

この論文では、特にロボット工学の分野における高動的環境における正確な四元数ベースの方向推定のために設計されたトランスフォーマー拡張物理情報ニューラル ネットワーク (TE-PINN) を紹介します。
変圧器ネットワークと物理情報に基づく学習を統合することにより、当社のアプローチは、回転運動を支配する基本的な物理法則を強化しながら、センサー データの時間依存性を革新的に捕捉します。
TE-PINN は、マルチヘッド アテンション メカニズムを活用して、加速度計やジャイロスコープなどの慣性センサーからの連続データを処理し、時間的な一貫性を確保します。
同時に、モデルはクォータニオン運動学と剛体ダイナミクスを学習プロセスに組み込み、ネットワークの予測をオイラーの運動法則などの機械原理に合わせます。
物理学に基づいた損失関数には角速度と外力の力学が組み込まれており、複雑なシナリオで一般化するネットワークの能力が強化されています。
私たちの実験による評価では、TE-PINN が、特に高い角速度とノイズの多いセンサー データを特徴とするシナリオにおいて、拡張カルマン フィルター (EKF) や LSTM ベースの推定器などの従来の方法よりも一貫して優れていることが実証されています。
結果は、最新技術と比較して平均四元数誤差が大幅に減少し、ジャイロスコープのバイアス推定が改善されたことを示しています。
アブレーション研究では、変圧器アーキテクチャと物理学に基づいた制約の両方の寄与をさらに分離し、モデルのパフォーマンス向上における両方のコンポーネントの相乗効果を強調します。
提案されたモデルは、移動ロボットに典型的な組み込みシステム上でリアルタイム パフォーマンスを実現し、自律システムにおける方向推定のためのスケーラブルで効率的なソリューションを提供します。

要約(オリジナル)

This paper introduces a Transformer-Enhanced Physics-Informed Neural Network (TE-PINN) designed for accurate quaternion-based orientation estimation in high-dynamic environments, particularly within the field of robotics. By integrating transformer networks with physics-informed learning, our approach innovatively captures temporal dependencies in sensor data while enforcing the fundamental physical laws governing rotational motion. TE-PINN leverages a multi-head attention mechanism to handle sequential data from inertial sensors, such as accelerometers and gyroscopes, ensuring temporal consistency. Simultaneously, the model embeds quaternion kinematics and rigid body dynamics into the learning process, aligning the network’s predictions with mechanical principles like Euler’s laws of motion. The physics-informed loss function incorporates the dynamics of angular velocity and external forces, enhancing the network’s ability to generalize in complex scenarios. Our experimental evaluation demonstrates that TE-PINN consistently outperforms traditional methods such as Extended Kalman Filters (EKF) and LSTM-based estimators, particularly in scenarios characterized by high angular velocities and noisy sensor data. The results show a significant reduction in mean quaternion error and improved gyroscope bias estimation compared to the state-of-the-art. An ablation study further isolates the contributions of both the transformer architecture and the physics-informed constraints, highlighting the synergistic effect of both components in improving model performance. The proposed model achieves real-time performance on embedded systems typical of mobile robots, offering a scalable and efficient solution for orientation estimation in autonomous systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google