المفاهيم الأساسية
IMU 데이터의 표준화를 통해 기존 방법보다 정확하고 일반화된 신경 관성 주행 거리 측정을 가능하게 하는 새로운 프레임워크인 EqNIO를 소개합니다.
الملخص
EqNIO: 중력 기반 표준 좌표계를 사용하는 준등변성 신경 관성 주행 거리 측정
본 연구 논문에서는 단일 IMU 데이터만을 사용하여 정확하고 일반화 가능한 신경 관성 주행 거리 측정을 수행하는 데 있어 기존 방법론의 한계점을 극복하고자 합니다. 특히, IMU 센서 방향 및 동작 패턴의 변화에 강인한 주행 거리 측정 모델을 개발하는 데 중점을 둡니다.
본 논문에서는 IMU 측정값을 표준 좌표계로 매핑하여 학습 과정을 단순화하는 EqNIO (Equivariant Neural Inertial Odometry)라는 새로운 프레임워크를 제안합니다.
중력 정렬: 먼저, IMU 측정값을 중력 방향을 기준으로 회전시켜 z축을 세계 좌표계의 z축과 일치시킵니다.
등변성 프레임 예측: 중력 정렬된 IMU 데이터를 입력으로 받아 임의의 요(yaw) 회전에 일반화 가능한 표준 요 프레임을 예측하는 등변성 신경망을 설계합니다.
표준 좌표계 매핑: 예측된 프레임을 사용하여 IMU 데이터를 표준 좌표계로 매핑합니다.
변위 및 공분산 예측: 표준 좌표계로 변환된 IMU 데이터를 기반으로 변위 및 공분산을 예측합니다.
원래 프레임으로 매핑: 예측된 변위 및 공분산을 원래 프레임으로 다시 매핑합니다.
특히, 본 논문에서는 가속도계 및 자이로스코프 측정값을 일관되게 처리하기 위해 자이로스코프 데이터를 두 개의 직교 벡터로 분해하는 새로운 전처리 단계를 제안합니다. 또한, 회전 및 반사 변환에 대해 등변성을 갖는 O(2) 등변성 MLP, 컨볼루션 및 비선형 레이어를 설계하여 등변성 프레임 네트워크를 구축합니다.