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

Riepilogo Tecnico: Un Approccio Basato sull'Apprendimento per l'Eliminazione del Bias nei Giroscopi a Basso Costo

Enunciato del Problema
Le piattaforme operative moderne, che spaziano dai veicoli autonomi agli elettrodomestici, fanno sempre più affidamento su sensori inerziali a basso costo. Tuttavia, questi sensori accumulano varie fonti di errore dopo l'uscita dalla fabbrica, degradando la loro precisione e affidabilità nel tempo. Una sfida primaria è la presenza di errori di bias nei giroscopi. Sebbene esistano metodi di calibrazione tradizionali, questi spesso si basano su modelli analitici estesi e richiedono lunghi tempi di mediazione per sopprimere il rumore di fondo e stimare il vero bias. Questo processo di mediazione è dispendioso in termini di tempo e presuppone condizioni stazionarie, che sono difficili da mantenere in scenari in tempo reale dove le piattaforme affrontano interruzioni. Inoltre, la letteratura esistente offre soluzioni basate sui dati limitate per questo specifico compito di calibrazione, nonostante il successo comprovato delle tecniche basate sull'apprendimento in altri domini di navigazione.

Metodologia
Gli autori propongono un framework di apprendimento supervisionato per stimare i bias reali (GT) nei giroscopi a basso costo, sostituendo la calibrazione basata su modelli lineari tradizionali con un approccio di regressione non lineare.

• Acquisizione e Preparazione dei Dati: Il dataset è stato costruito utilizzando cinque diversi sensori inerziali a basso costo (campionati a 200 Hz) tramite l'applicazione phyphox. Sono state effettuate dieci misurazioni di un minuto per ciascun sensore dopo tempi di attesa variabili per garantire una gamma di bias fissi. I dati grezzi sono stati elaborati per creare coppie di campione-etichetta: segmenti di breve durata hanno funzionato come input, mentre il valore atteso dell'intera misurazione di un minuto ha funto da etichetta "realtà di riferimento" (ground truth). Il dataset è stato aumentato applicando trasformazioni di bias additivo e rumore bianco a media zero, espandendo la dimensione del campione a 5.000 per migliorare la generalizzabilità.
• Architettura del Modello: Una Rete Neurale Convoluzionale (CNN) a due livelli è stata selezionata come funzione di approssimazione. L'architettura consiste in un modulo encoder che esegue convoluzioni 1D sequenziali seguite da sottocampionamento (pooling) per generare rappresentazioni di caratteristiche a bassa dimensionalità. Queste caratteristiche vengono poi passate a una rete completamente connessa per eseguire la regressione, producendo in output il bias previsto ($\hat{b}^s_g$).
• Addestramento e Valutazione: Il modello è stato addestrato utilizzando una funzione di perdita Errore Quadratico Medio (MSE) per minimizzare la deviazione tra il bias previsto e le etichette GT. Il dataset è stato suddiviso 80:20 per l'addestramento e il test. Le prestazioni sono state valutate confrontando l'Errore Quadratico Medio Radice (RMSE) delle previsioni della CNN con un metodo di riferimento, che si basa sulla semplice media temporale dell'output del sensore.

Risultati Chiave
Lo studio dimostra che l'approccio basato sull'apprendimento può ridurre significativamente il tempo richiesto per la stima del bias rispetto alla media tradizionale:

• Riduzione del Tempo: Il modello CNN ha previsto con successo i bias utilizzando durate di input brevi quanto 10 secondi (un fattore di divisione di 6 rispetto alla baseline di 60 secondi) con un RMSE di 0,588 mrad/s. Mentre la baseline (media di 60 secondi) ha raggiunto un RMSE di 0,439 mrad/s, il modello ha raggiunto una precisione comparabile in una frazione del tempo.
• Compromesso delle Prestazioni: La Tabella I indica un compromesso tra durata della misurazione ed errore. Ad esempio, un input di 1 secondo ha prodotto un errore circa doppio rispetto alla baseline (208% dell'errore della baseline), mentre un input di 10 secondi ha ridotto questo valore al 133% dell'errore della baseline.
• Gestione del Rumore: A differenza della baseline, che mostra un decadimento lento e fluttuazioni brusche in risposta a raffiche di rumore, il modello basato sull'apprendimento ha dimostrato la capacità di "saltare" i tempi di attesa e prevedere i bias reali basandosi su pattern appresi durante l'addestramento, filtrando il rumore di fondo in modo più efficiente rispetto alla semplice media.

Significato e Affermazioni
Il documento afferma che il suo contributo principale è dimostrare che gli stimatori non lineari, in particolare le CNN, possono superare la calibrazione basata su modelli lineari per l'eliminazione del bias nei giroscopi a basso costo. Gli autori evidenziano tre specifici traguardi:

1. Superiorità degli Stimatori Non Lineari: Le CNN offrono prestazioni migliori rispetto ai metodi di calibrazione lineare tradizionali.
2. Efficienza: Il modello ben addestrato può ridurre il tempo di mediazione necessario di circa un ordine di grandezza (ad esempio, ottenendo risultati utili in 10 secondi contro 60 secondi).
3. Robustezza: I parametri apprendibili migliorano la robustezza del modello alle perturbazioni non stazionarie, offrendo un'alternativa che risparmia tempo rispetto ai "preziosi tempi di mediazione" richiesti in ambienti sterili.

Gli autori concludono che, sebbene un'acquisizione e un addestramento dei dati sufficienti siano prerequisiti, questo approccio basato sui dati offre un metodo vitale e più rapido per la determinazione del bias, rimuovendo la dipendenza stretta da lunghi periodi di osservazione stazionaria.