A Learning-based approach for bias elimination in low cost gyroscopes

Resumen Técnico: Un Enfoque Basado en Aprendizaje para la Eliminación de Sesgos en Giroscopios de Bajo Costo

Enunciado del Problema
Las plataformas operativas modernas, que van desde vehículos autónomos hasta electrodomésticos, dependen cada vez más de sensores inerciales de bajo costo. Sin embargo, estos sensores acumulan diversas fuentes de error al salir de fábrica, degradando su precisión y fiabilidad con el tiempo. Un desafío principal es la presencia de errores de sesgo en los giroscopios. Aunque existen métodos de calibración tradicionales, a menudo dependen de modelos analíticos extensos y requieren largos tiempos de promediado para suprimir el ruido de fondo y estimar el sesgo real. Este proceso de promediado consume tiempo y asume condiciones estacionarias, las cuales son difíciles de mantener en escenarios en tiempo real donde las plataformas enfrentan perturbaciones. Además, la literatura existente ofrece soluciones limitadas basadas en datos para esta tarea específica de calibración, a pesar del éxito comprobado de las técnicas basadas en aprendizaje en otros dominios de navegación.

Metodología
Los autores proponen un marco de aprendizaje supervisado para estimar los sesgos de verdad fundamental (GT) en giroscopios de bajo costo, reemplazando la calibración tradicional basada en modelos lineales con un enfoque de regresión no lineal.

• Adquisición y Preparación de Datos: El conjunto de datos se construyó utilizando cinco sensores inerciales de bajo costo diferentes (muestreados a 200 Hz) mediante la aplicación phyphox. Se tomaron diez mediciones de un minuto de cada sensor tras tiempos de espera variables para garantizar un rango de sesgos fijos. Los datos crudos se procesaron para crear pares de muestra-etiqueta: segmentos de corta duración sirvieron como entradas, mientras que el valor esperado de la medición completa de un minuto sirvió como etiqueta de "verdad fundamental". El conjunto de datos se aumentó aplicando transformaciones de sesgo aditivo y ruido blanco de media cero, expandiendo el tamaño de la muestra a 5.000 para mejorar la generalización.
• Arquitectura del Modelo: Se seleccionó una Red Neuronal Convolucional (CNN) de dos capas como función de aproximación. La arquitectura consiste en un módulo codificador que realiza convoluciones 1D secuenciales seguidas de submuestreo (pooling) para generar representaciones de características de baja dimensión. Estas características se pasan luego a una red totalmente conectada para realizar la regresión, generando el sesgo predicho ($\hat{b}^s_g$).
• Entrenamiento y Evaluación: El modelo se entrenó utilizando una función de pérdida de Error Cuadrático Medio (MSE) para minimizar la desviación entre el sesgo predicho y las etiquetas GT. El conjunto de datos se dividió 80:20 para entrenamiento y prueba. El rendimiento se evaluó comparando el Error Cuadrático Medio (RMSE) de las predicciones de la CNN contra un método de referencia, que se basa en un simple promediado temporal de la salida del sensor.

Resultados Clave
El estudio demuestra que el enfoque basado en aprendizaje puede reducir significativamente el tiempo requerido para la estimación de sesgos en comparación con el promediado tradicional:

• Reducción del Tiempo: El modelo CNN predijo con éxito los sesgos utilizando duraciones de entrada tan cortas como 10 segundos (un factor de división de 6 respecto a la línea base de 60 segundos) con un RMSE de 0,588 mrad/s. Aunque la línea base (promediado de 60 segundos) logró un RMSE de 0,439 mrad/s, el modelo alcanzó una precisión comparable en una fracción del tiempo.
• Compensación de Rendimiento: La Tabla I indica una compensación entre la duración de la medición y el error. Por ejemplo, una entrada de 1 segundo resultó en un error aproximadamente el doble que el de la línea base (208% del error de la línea base), mientras que una entrada de 10 segundos redujo esto al 133% del error de la línea base.
• Manejo del Ruido: A diferencia de la línea base, que exhibe una lenta decadencia y fluctuaciones bruscas en respuesta a ráfagas de ruido, el modelo basado en aprendizaje demostró la capacidad de "saltar" los tiempos de espera y predecir sesgos reales basándose en patrones aprendidos durante el entrenamiento, filtrando el ruido de fondo de manera más eficiente que el simple promediado.

Significado y Afirmaciones
El artículo afirma que su contribución principal es demostrar que los estimadores no lineales, específicamente las CNN, pueden superar a los métodos de calibración basados en modelos lineales para la eliminación de sesgos en giroscopios de bajo costo. Los autores destacan tres logros específicos:

1. Superioridad de los Estimadores No Lineales: Las CNN proporcionan un mejor rendimiento que los métodos tradicionales de calibración lineal.
2. Eficiencia: El modelo bien entrenado puede reducir el tiempo de promediado necesario en aproximadamente un orden de magnitud (por ejemplo, lograr resultados útiles en 10 segundos frente a 60 segundos).
3. Robustez: Los parámetros aprendibles mejoran la robustez del modelo frente a perturbaciones no estacionarias, ofreciendo una alternativa que ahorra tiempo frente a los "preciosos tiempos de promediado" requeridos en entornos estériles.

Los autores concluyen que, aunque la adquisición suficiente de datos y el entrenamiento son prerrequisitos, este enfoque basado en datos ofrece un método viable y más rápido para la determinación de sesgos, eliminando la dependencia estricta de largos períodos de observación estacionaria.