End-to-End Deep Learning Framework for Real-Time Inertial Attitude Estimation using 6DoF IMU

要約

慣性計測装置 (IMU) は、工学から医学まで、慣性姿勢の推定によく使用されます。
これらのアプリケーションの環境では、妨害や高ダイナミクスが発生する場合があります。
また、動きの特徴やパターンも異なる場合があります。
ＩＭＵ測定に基づく慣性姿勢推定問題に取り組むために、多くの従来のフィルタが提案されてきた。
これらのフィルタでは、モーションおよび環境特性に関する一般化はありません。
その結果、提示された従来のフィルターはさまざまなモーション特性とパターンに直面し、フィルターのパフォーマンスが制限され、状況ごとにフィルターパラメーターを最適化する必要があります。
このホワイト ペーパーでは、2 つのエンドツーエンドのディープ ラーニング モデルを提案し、慣性センサー測定を使用してリアルタイムの姿勢推定の問題を解決します。これらのモデルは、モーション パターン、サンプリング レート、および環境外乱に一般化されています。
提案されたモデルには、7 つの公開データセットの組み合わせから収集された加速度計とジャイロスコープの読み取り値が入力として組み込まれています。
モデルは、畳み込みニューラル ネットワーク (CNN) 層と双方向長短期記憶 (LSTM) を組み合わせたものと、それに続く完全順方向ニューラル ネットワーク (FFNN) で構成され、四元数を推定します。
妥当性と信頼性を評価するために、120 時間と 200 キロメートル以上の IMU 測定値で構成される、公開されている 7 つのデータセットに対して広範かつ包括的な評価を行いました。
結果は、提案された方法が精度とロバスト性の点で最先端の方法よりも優れていることを示しています。
さらに、このモデルは、さまざまなモーション特性とセンサーのサンプリング レートに対して、他の方法よりも一般化できることを示しています。

要約(オリジナル)

Inertial Measurement Units (IMU) are commonly used in inertial attitude estimation from engineering to medical sciences. There may be disturbances and high dynamics in the environment of these applications. Also, their motion characteristics and patterns also may differ. Many conventional filters have been proposed to tackle the inertial attitude estimation problem based on IMU measurements. There is no generalization over motion and environmental characteristics in these filters. As a result, the presented conventional filters will face various motion characteristics and patterns, which will limit filter performance and need to optimize the filter parameters for each situation. In this paper, two end-to-end deep-learning models are proposed to solve the problem of real-time attitude estimation by using inertial sensor measurements, which are generalized to motion patterns, sampling rates, and environmental disturbances. The proposed models incorporate accelerometer and gyroscope readings as inputs, which are collected from a combination of seven public datasets. The models consist of convolutional neural network (CNN) layers combined with Bi-Directional Long-Short Term Memory (LSTM) followed by a Fully Forward Neural Network (FFNN) to estimate the quaternion. To evaluate the validity and reliability, we have performed an extensive and comprehensive evaluation over seven publicly available datasets, which consist of more than 120 hours and 200 kilometers of IMU measurements. The results show that the proposed method outperforms the state-of-the-art methods in terms of accuracy and robustness. Furthermore, it demonstrates that this model generalizes better than other methods over various motion characteristics and sensor sampling rates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google