Learning Position From Vehicle Vibration Using an Inertial Measurement Unit

要約

この論文では、全地球測位衛星システム (GNSS) に依存せずに動作する車両測位への新しいアプローチを紹介します。
従来の GNSS アプローチは、特定の環境では干渉に対して脆弱であり、都市の峡谷、高架下、受信レベルの低いエリアなどの状況では信頼性が低くなります。
この研究では、慣性測定装置 (IMU) センサーによって取得された加速度計とジャイロスコープの測定値から道路標識を学習することに基づいた車両位置測定方法を提案します。
私たちのアプローチでは、ルートはセグメントに分割され、各セグメントには、路面の微妙な変化に応じた車両の振動を通じて IMU が検出できる明確なシグネチャが付いています。
この研究では、IMU 測定から道路セグメントを学習するための 2 つの異なるデータ駆動型の方法が示されています。
1 つの方法は畳み込みニューラル ネットワークに基づいており、もう 1 つは手作りの特徴に適用されるアンサンブル ランダム フォレストに基づいています。
さらに、著者らは、学習した道路セグメントを使用してリアルタイムで車両の位置を推定するアルゴリズムを紹介します。
このアプローチは 2 つの測位タスクに適用されました。(i) 密集した市街地で 6[km] のルートに沿った自動車。
(ii) 道路と舗装路面を組み合わせた 1[km] のルートを走行する電動スクーター。
提案手法の位置とグラウンドトゥルースの間の平均誤差は、自動車で約 50[m]、電動スクーターで約 30[m]でした。
IMU 測定値の時間積分に基づくソリューションと比較して、提案されたアプローチの平均誤差は、電動スクーターでは 5 倍以上、自動車では 20 倍良好です。

要約(オリジナル)

This paper presents a novel approach to vehicle positioning that operates without reliance on the global navigation satellite system (GNSS). Traditional GNSS approaches are vulnerable to interference in certain environments, rendering them unreliable in situations such as urban canyons, under flyovers, or in low reception areas. This study proposes a vehicle positioning method based on learning the road signature from accelerometer and gyroscope measurements obtained by an inertial measurement unit (IMU) sensor. In our approach, the route is divided into segments, each with a distinct signature that the IMU can detect through the vibrations of a vehicle in response to subtle changes in the road surface. The study presents two different data-driven methods for learning the road segment from IMU measurements. One method is based on convolutional neural networks and the other on ensemble random forest applied to handcrafted features. Additionally, the authors present an algorithm to deduce the position of a vehicle in real-time using the learned road segment. The approach was applied in two positioning tasks: (i) a car along a 6[km] route in a dense urban area; (ii) an e-scooter on a 1[km] route that combined road and pavement surfaces. The mean error between the proposed method’s position and the ground truth was approximately 50[m] for the car and 30[m] for the e-scooter. Compared to a solution based on time integration of the IMU measurements, the proposed approach has a mean error of more than 5 times better for e-scooters and 20 times better for cars.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google