Orientation-Free Neural Network-Based Bias Estimation for Low-Cost Stationary Accelerometers

Resumen Técnico: Estimación de Sesgo Basada en Redes Neuronales Libre de Orientación para Acelerómetros Estacionarios de Bajo Costo

Planteamiento del Problema
Los acelerómetros de sistemas microelectromecánicos (MEMS) de bajo costo son ubicuos en la navegación, la robótica y los dispositivos de consumo debido a su asequibilidad y pequeño factor de forma. Sin embargo, su rendimiento se ve frecuentemente degradado por errores de sesgo deterministas. En condiciones estacionarias, estos sesgos deben estimarse y eliminarse para evitar una deriva significativa en los cálculos de velocidad y posición (que resultan de la doble integración de la señal de aceleración).

Los métodos de calibración tradicionales enfrentan limitaciones prácticas significativas. Típicamente requieren:

1. Orientación Nivelada: El sensor debe estar alineado con el vector de gravedad local (roll y pitch de cero). Incluso pequeñas desviaciones (p. ej., >2.87°) introducen desplazamientos inducidos por la gravedad que son indistinguibles del sesgo real, lo que conduce a una calibración inexacta.
2. Registro de Multi-Posición: Muchos enfoques basados en modelos (p. ej., Mínimos Cuadrados) requieren que el sensor sea rotado a través de múltiples orientaciones distintas para resolver los parámetros de calibración.
3. Equipo Externo: Algunos métodos dependen de bancos de calibración externos o del conocimiento preciso de la orientación del sensor con respecto al marco de navegación.

Estos requisitos dificultan el despliegue rápido en campo y limitan la utilidad de los sensores de bajo costo en escenarios del mundo real donde el nivelado o la rotación controlada son impracticables.

Metodología
Los autores proponen OFBENet, un enfoque basado en aprendizaje libre de modelos para estimar el sesgo del acelerómetro directamente a partir de datos de series temporales estacionarias sin conocimiento previo de la orientación del sensor.

• Concepto Central: En lugar de depender de modelos físicos analíticos que asumen orientaciones específicas, el método utiliza una red neuronal profunda para aprender el mapeo entre las características de la señal estacionaria bruta y el sesgo subyacente. La red aprovecha el hecho de que el sesgo es constante durante periodos cortos de registro, mientras que el ruido es estocástico, lo que permite a la red distinguir patrones de señal persistentes del ruido.
• Arquitectura de la Red: OFBENet es una red neuronal convolucional (CNN) unidimensional ligera diseñada para la eficiencia y la generalización.
  • Entrada: Ventanas de longitud fija y no superpuestas de datos de acelerómetro de 3 ejes ($T \times 3$).
  • Extracción de Características: Tres bloques convolucionales, cada uno compuesto por una convolución 1D (tamaño de núcleo 5), normalización por lotes (batch normalization), activación LeakyReLU y agrupación promedio (average pooling). Las profundidades de los filtros aumentan de 8 a 32 y de 32 a 64 para capturar patrones temporales complejos.
  • Representación Global: Una capa de agrupación promedio global reduce los mapas de características a un vector compacto (64 dimensiones).
  • Salida: Una capa totalmente conectada con dropout, seguida de una capa de salida lineal que predice el vector de sesgo de 3 ejes ($\hat{b}_x, \hat{b}_y, \hat{b}_z$).
• Entrenamiento: La red se entrena utilizando la función de pérdida de Error Cuadrático Medio (MSE) y el optimizador Adam. Las etiquetas de sesgo de verdad absoluta (ground truth) se derivan promediando grabaciones estacionarias de larga duración después de que el sesgo haya convergido (determinado en aproximadamente 4500 muestras o 30 segundos).

Contribuciones Clave

1. Calibración Libre de Orientación: Un enfoque novedoso que estima el sesgo sin requerir que el sensor sea nivelado o rotado a posiciones conocidas.
2. Arquitectura OFBENet: El desarrollo de una red neuronal de extremo a extremo capaz de realizar la regresión del sesgo directamente desde los datos brutos, capturando patrones de error no lineales sin modelos físicos predefinidos.
3. Recurso Abierto: La publicación de un repositorio de GitHub que contiene el conjunto de datos (13.39 horas de grabaciones de seis acelerómetros) y el código de implementación para facilitar la replicación y la investigación adicional.

Resultados Experimentales
El método propuesto fue validado en un conjunto de datos que comprende 13.39 horas de grabaciones de seis acelerómetros SparkFun ADXL345 bajo dos condiciones:

1. Alineado con la Gravedad: Sensores colocados sobre una superficie nivelada (roll/pitch cero).
2. Rotado: Sensores montados en una placa impresa en 3D y rotados a través de varios ángulos de pitch y roll (hasta ±180° de roll y ±80° de pitch), utilizando un IMU Memsense MS-3025 de alta gama como referencia de verdad absoluta para la orientación.

El rendimiento se evaluó frente a dos métodos de línea base basados en modelos: la calibración por Mínimos Cuadrados (LS) y una calibración basada en Modelo Matemático.

• Exactitud: OFBENet logró consistentemente un Error Cuadrático Medio (RMSE) más bajo que las líneas base.
  • En el Conjunto de Datos Rotado, OFBENet demostró mejoras del 77.11% y 87.19% sobre el método de Mínimos Cuadrados para los dos sensores probados, y del 81.24% y 78.21% sobre el Modelo Matemático.
  • En el Conjunto de Datos Alineado con la Gravedad, OFBENet logró una mejora del 52.52% sobre Mínimos Cuadrados.
• Robustez: OFBENet exhibió una menor varianza a través de las particiones de validación cruzada y errores absolutos máximos significativamente menores en comparación con las líneas base, lo que indica un rendimiento estable incluso bajo condiciones de inclinación donde los métodos tradicionales tienen dificultades.
• Significancia Estadística: Pruebas t pareadas confirmaron que las mejoras de rendimiento de OFBENet sobre las líneas base fueron estadísticamente significativas ($p < 0.05$).

Significancia y Reivindicaciones
El artículo afirma que OFBENet proporciona una solución rápida, práctica y escalable para calibrar sensores inerciales de bajo costo en escenarios libres de orientación. Al eliminar la necesidad de una calibración nivelada, equipo externo o sesiones complejas de registro de múltiples posiciones, el método permite un despliegue rápido en campo.

Los autores enfatizan que su enfoque cambia el paradigma del modelado analítico (que es sensible al condicionamiento numérico y a la diversidad de orientación) hacia el aprendizaje basado en datos. Esto permite una estimación de sesgo precisa en diversas aplicaciones científicas e industriales, como la robótica y la navegación, donde la inicialización rápida y el rendimiento confiable son críticos, mejorando en última instancia la utilidad de los sensores MEMS de bajo costo sin comprometer la precisión.