RIOT: Recursive Inertial Odometry Transformer for Localisation from Low-Cost IMU Measurements

要約

慣性定位は、外部観測者が利用できない状況でも自我運動推定が可能なため、重要な技術である。しかし、低コストの慣性センサーは、バイアスやノイズによって本質的に破損しており、拘束されない誤差が生じるため、位置のための直線積分は困難である。従来の数学的アプローチは、事前のシステム知識、幾何学的理論に依存し、あらかじめ定義されたダイナミクスに制約されています。近年のディープラーニングの進歩は、増え続けるデータと計算能力の恩恵を受け、より包括的な理解を提供するデータ駆動型ソリューションを可能にします。既存のディープ慣性オドメトリソリューションは、速度などの潜在的な状態の推定に依存しているか、固定されたセンサー位置と周期的な運動パターンに依存しています。本研究では、従来の状態推定を再帰的に行う手法を、深層学習領域に適用することを提案します。訓練プロセスに真の位置プリオールを組み込んだ我々のアプローチは、慣性測定とグランドトゥルースの変位データで訓練され、再帰を可能にし、運動特性とシステム的な誤差の偏りとドリフトの両方を学習することができる。我々は、慣性データにおける空間的特徴と長距離依存性の両方を捕捉するために自己注意を利用する、姿勢不変の深い慣性オドメトリーのための2つのエンドツーエンドのフレームワークを提示する。我々は、同じデータに対して同じ方法で訓練されたカスタム2層ゲートリカレントユニットに対して我々のアプローチを評価し、多くの異なるユーザー、デバイス、活動に対して各アプローチをテストした。各ネットワークのシーケンス長重み付け相対軌跡エラー平均値は$0.4594$mであり、モデル開発に用いた学習プロセスの有効性を強調した。

要約(オリジナル)

Inertial localisation is an important technique as it enables ego-motion estimation in conditions where external observers are unavailable. However, low-cost inertial sensors are inherently corrupted by bias and noise, which lead to unbound errors, making straight integration for position intractable. Traditional mathematical approaches are reliant on prior system knowledge, geometric theories and are constrained by predefined dynamics. Recent advances in deep learning, that benefit from ever-increasing volumes of data and computational power, allow for data driven solutions that offer more comprehensive understanding. Existing deep inertial odometry solutions rely on estimating the latent states, such as velocity, or are dependant on fixed sensor positions and periodic motion patterns. In this work we propose taking the traditional state estimation recursive methodology and applying it in the deep learning domain. Our approach, which incorporates the true position priors in the training process, is trained on inertial measurements and ground truth displacement data, allowing recursion and to learn both motion characteristics and systemic error bias and drift. We present two end-to-end frameworks for pose invariant deep inertial odometry that utilise self-attention to capture both spatial features and long-range dependencies in inertial data. We evaluate our approaches against a custom 2-layer Gated Recurrent Unit, trained in the same manner on the same data, and tested each approach on a number of different users, devices and activities. Each network had a sequence length weighted relative trajectory error mean $\leq0.4594$m, highlighting the effectiveness of our learning process used in the development of the models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL