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

기술 요약: 저비용 자이로스코프의 편향 제거를 위한 학습 기반 접근법

문제 제기
자율주행 차량에서 가전제품에 이르는 현대 운영 플랫폼들은 저비용 관성 센서에 점점 더 의존하고 있습니다. 그러나 이러한 센서들은 공장을 떠날 때부터 다양한 오차 원인을 누적하여 시간이 지남에 따라 정밀도와 신뢰성이 저하됩니다. 주요 과제는 자이로스코프에 존재하는 편향 (bias) 오차입니다. 기존 교정 방법들이 존재하지만, 이들은 종종 광범위한 분석 모델에 의존하며 배경 잡음을 억제하고 실제 편향을 추정하기 위해 긴 평균화 시간을 필요로 합니다. 이 평균화 과정은 시간이 많이 소요되며 정적 조건을 가정하는데, 플랫폼이 방해를 받는 실시간 시나리오에서는 이러한 조건을 유지하기 어렵습니다. 또한, 기존 문헌은 다른 항해 분야에서 학습 기반 기법의 입증된 성공에도 불구하고, 이러한 특정 교정 작업에 대한 데이터 기반 솔루션을 제한적으로 제공합니다.

방법론
저비용 자이로스코프의 실제 (Ground-Truth, GT) 편향을 추정하기 위해 저자들은 전통적인 선형 모델 기반 교정을 비선형 회귀 접근법으로 대체하는 지도 학습 프레임워크를 제안합니다.

• 데이터 수집 및 준비: 데이터셋은 phyphox 애플리케이션을 통해 5 개의 서로 다른 저비용 관성 센서 (200 Hz 로 샘플링) 를 사용하여 구성되었습니다. 각 센서에서 다양한 대기 시간을 거친 후 1 분 동안 10 회 측정을 수행하여 일련의 고정 편향 범위를 확보했습니다. 원시 데이터는 샘플 - 레이블 쌍을 생성하도록 처리되었는데, 짧은 지속 시간의 세그먼트가 입력으로 사용되었고, 전체 1 분 측정의 기대값이 '실제 (ground truth)' 레이블로 사용되었습니다. 데이터셋은 가산 편향과 평균이 0 인 백색 잡음 변환을 적용하여 증강되었으며, 일반화 능력을 향상시키기 위해 샘플 크기를 5,000 개로 확장했습니다.
• 모델 아키텍처: 근사 함수로 2 층 합성곱 신경망 (CNN) 이 선택되었습니다. 이 아키텍처는 순차적인 1 차원 합성곱을 수행한 후 서브샘플링 (풀링) 을 통해 저차원 특징 표현을 생성하는 인코더 모듈로 구성됩니다. 이러한 특징들은 완전 연결 네트워크로 전달되어 회귀를 수행하며, 예측된 편향 ($\hat{b}^s_g$) 을 출력합니다.
• 학습 및 평가: 모델은 예측 편향과 GT 레이블 간의 편차를 최소화하기 위해 평균 제곱 오차 (MSE) 손실 함수를 사용하여 학습되었습니다. 데이터셋은 학습과 테스트를 위해 80:20 비율로 분할되었습니다. 성능 평가는 단순한 센서 출력의 시간 평균화에 의존하는 기준선 방법과 CNN 예측의 Root Mean Square Error (RMSE) 를 비교하여 수행되었습니다.

주요 결과
이 연구는 학습 기반 접근법이 전통적인 평균화 방식에 비해 편향 추정에 필요한 시간을 크게 단축할 수 있음을 보여줍니다.

• 시간 단축: CNN 모델은 60 초 기준선에서 6 배로 줄인 10 초 길이의 입력을 사용하여 편향을 성공적으로 예측했으며, RMSE 는 0.588 mrad/s 였습니다. 기준선 (60 초 평균화) 이 0.439 mrad/s 의 RMSE 를 달성한 반면, 모델은 그 시간의 일부로 비교 가능한 정확도를 달성했습니다.
• 성능 트레이드오프: 표 I 은 측정 지속 시간과 오차 간의 트레이드오프를 나타냅니다. 예를 들어, 1 초 입력은 기준선 오차의 약 두 배 (기준선 오차의 208%) 의 오차를 초래한 반면, 10 초 입력은 이를 기준선 오차의 133% 로 줄였습니다.
• 잡음 처리: 잡음 폭발에 반응하여 느린 감쇠와 급격한 변동을 보이는 기준선과 달리, 학습 기반 모델은 학습 중에 습득한 패턴을 기반으로 대기 시간을 '건너뛰고' 실제 편향을 예측하는 능력을 보여주었으며, 단순 평균화보다 배경 잡음을 더 효율적으로 필터링했습니다.

의의 및 주장
이 논문은 비선형 추정기, 특히 CNN 이 저비용 자이로스코프의 편향 제거를 위해 선형 모델 기반 교정보다 더 나은 성능을 발휘할 수 있음을 보여주는 것이 주요 기여라고 주장합니다. 저자들은 세 가지 구체적인 성과를 강조합니다.

1. 비선형 추정기의 우월성: CNN 은 전통적인 선형 교정 방법보다 더 나은 성능을 제공합니다.
2. 효율성: 잘 훈련된 모델은 필요한 평균화 시간을 약 한 자릿수 (예: 60 초 대비 10 초에서 유용한 결과 달성) 만큼 단축할 수 있습니다.
3. 강건성: 학습 가능한 매개변수는 비정적 방해 요인에 대한 모델의 강건성을 향상시켜, 무균 환경에서 필요한 '귀중한 평균화 시간'에 대한 시간 절약형 대안을 제공합니다.

저자들은 충분한 데이터 수집과 학습이 전제 조건이지만, 이 데이터 기반 접근법은 긴 정적 관측 기간에 대한 엄격한 의존성을 제거하고 편향 결정을 위한 실행 가능하고 더 빠른 방법을 제공한다고 결론지었습니다.