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

Technische Samenvatting: Een op leren gebaseerde aanpak voor het elimineren van bias in goedkope gyroscopen

Probleemstelling
Moderne operationele platformen, variërend van autonome voertuigen tot huishoudelijke apparaten, vertrouwen steeds meer op goedkope inertialsensoren. Deze sensoren accumuleren echter diverse foutbronnen na het verlaten van de fabriek, wat hun precisie en betrouwbaarheid in de loop van de tijd verslechtert. Een primaire uitdaging is de aanwezigheid van bias-fouten in gyroscopen. Hoewel traditionele kalibratiemethoden bestaan, vertrouwen deze vaak op uitgebreide analytische modellen en vereisen ze lange middeltijden om achtergrondruis te onderdrukken en de ware bias te schatten. Dit middelpunt is tijdrovend en gaat uit van stationaire omstandigheden, die moeilijk te handhaven zijn in real-time scenario's waarbij platformen verstoringen ondervinden. Bovendien biedt de bestaande literatuur beperkte datagedreven oplossingen voor deze specifieke kalibratietaken, ondanks het bewezen succes van op leren gebaseerde technieken in andere navigatiedomeinen.

Methodologie
De auteurs stellen een supervised learning-framework voor om ground-truth (GT) biases in goedkope gyroscopen te schatten, waarbij traditionele lineaire modelgebaseerde kalibratie wordt vervangen door een niet-lineaire regressie-aanpak.

• Dataverzameling en -voorbereiding: De dataset werd samengesteld met behulp van vijf verschillende goedkope inertialsensoren (bemonsterd met 200 Hz) via de phyphox-applicatie. Er werden tien metingen van één minuut genomen van elke sensor na variërende standby-tijden om een reeks vaste biases te waarborgen. De ruwe data werd verwerkt om sample-labelparen te creëren: korte segmenten dienden als invoer, terwijl de verwachte waarde van de volledige meting van één minuut diende als het "ground truth"-label. De dataset werd uitgebreid door additieve bias en witte ruis met een gemiddelde van nul toe te passen, waardoor de steekproefomvang werd vergroot tot 5.000 om de generaliseerbaarheid te verbeteren.
• Modelarchitectuur: Een tweelaags Convolutional Neural Network (CNN) werd geselecteerd als de benaderingsfunctie. De architectuur bestaat uit een encoder-module die sequentiële 1D-convoluties uitvoert, gevolgd door subsampling (pooling) om laag-dimensionale feature-representaties te genereren. Deze features worden vervolgens doorgegeven aan een volledig verbonden netwerk om regressie uit te voeren, waarbij de voorspelde bias ($\hat{b}^s_g$) wordt gegenereerd.
• Training en Evaluatie: Het model werd getraind met een Mean Squared Error (MSE) verliesfunctie om de afwijking tussen de voorspelde bias en de GT-labels te minimaliseren. De dataset werd 80:20 gesplitst voor training en testen. De prestaties werden geëvalueerd door de Root Mean Square Error (RMSE) van de CNN-voorspellingen te vergelijken met een basismethode, die vertrouwt op eenvoudige tijdsmiddeling van de sensoroutput.

Belangrijkste Resultaten
De studie toont aan dat de op leren gebaseerde aanpak de tijd die nodig is voor bias-schatting aanzienlijk kan verminderen in vergelijking met traditionele middeling:

• Tijdsreductie: Het CNN-model slaagde erin biases te voorspellen met invoerduren van slechts 10 seconden (een delingsfactor van 6 ten opzichte van de 60-seconden baseline) met een RMSE van 0,588 mrad/s. Hoewel de baseline (60-seconden middeling) een RMSE van 0,439 mrad/s bereikte, bereikte het model vergelijkbare nauwkeurigheid in een fractie van de tijd.
• Prestatieafweging: Tabel I geeft een afweging weer tussen meetduur en fout. Een invoer van 1 seconde resulteerde bijvoorbeeld in een fout die ongeveer het dubbele was van de baseline (208% van de baseline-fout), terwijl een invoer van 10 seconden dit terugbracht tot 133% van de baseline-fout.
• Ruisbehandeling: In tegenstelling tot de baseline, die een trage afname en scherpe fluctuaties vertoont als reactie op ruisbuien, toonde het op leren gebaseerde model het vermogen om wachttijden te "overslaan" en werkelijke biases te voorspellen op basis van patronen die tijdens de training zijn geleerd, waardoor achtergrondruis efficiënter wordt gefilterd dan met eenvoudige middeling.

Betekenis en Claims
Het artikel stelt dat de primaire bijdrage ligt in het aantonen dat niet-lineaire schatters, specifiek CNN's, lineaire modelgebaseerde kalibratie kunnen overtreffen voor het elimineren van bias in goedkope gyroscopen. De auteurs benadrukken drie specifieke prestaties:

1. Superioriteit van Niet-Lineaire Schatters: CNN's bieden betere prestaties dan traditionele lineaire kalibratiemethoden.
2. Efficiëntie: Het goed getrainde model kan de benodigde middeltijd met ongeveer één orde van grootte verminderen (bijvoorbeeld het bereiken van bruikbare resultaten in 10 seconden versus 60 seconden).
3. Robuustheid: De leerbare parameters vergroten de robuustheid van het model tegen niet-stationaire verstoringen, en bieden een tijdbesparend alternatief voor de "kostbare middeltijden" die nodig zijn in steriele omgevingen.

De auteurs concluderen dat, hoewel voldoende dataverzameling en training voorafgaande voorwaarden zijn, deze datagedreven aanpak een levensvatbare, snellere methode biedt voor bias-bepaling, waardoor de strikte afhankelijkheid van lange, stationaire observatieperiodes wordt verwijderd.