Uncertainty-Aware Adaptive Sensor Fusion for Autonomous Navigation

Technische Samenvatting: Onzekerheidsbewuste Adaptieve Sensorfusie voor Autonome Navigatie

Probleemstelling
Het bereiken van betrouwbare en nauwkeurige lokalisatie voor autonome voertuigen en robotica in complexe omgevingen blijft een aanzienlijke uitdaging. Inertial Measurement Units (IMU's) zijn gevoelig voor drift over tijd, waarbij fouten in snelheid en positie zich ophopen, terwijl visuele sensoren gevoelig zijn voor omgevingsfactoren zoals occlusies, variaties in verlichting en beperkte gezichtsvelden. Traditionele Visual-Inertial Odometry (VIO)-methoden vertrouwen vaak op handmatig ontworde kenmerken en Bayesiaanse filters, die moeite hebben met scenario's met weinig licht of hoge snelheden en handmatige kalibratie vereisen. Bov�ien bestaande deep learning (DL) modellen vaak een gebrek aan robuustheid vertonen bij het generaliseren naar diverse omgevingen of het omgaan met ruisachtige, incomplete of onbetrouwbare sensoringangen. Het kernprobleem dat wordt aangepakt, is de behoefte aan een navigatiesysteem dat dynamisch kan aanpassen aan de betrouwbaarheid van sensoren, de voorspellingszekerheid kan kwantificeren en nauwkeurigheid kan behouden onder gedegradeerde omstandigheden.

Methodologie
De auteurs stellen een hybride deep learning-aanpak voor die geïntegreerd is met een Unscented Kalman Filter (UKF) om de pose-schatting te verbeteren. De architectuur bestaat uit vier primaire componenten:

1. Kenmerkextractienetwerken:

   • IMU-verwerking: Een Vision Transformer (ViT) netwerk wordt ingezet om IMU-data (versnellingsmeter en gyroscoop) te verwerken. In tegen tegenstelling tot traditionele Long Short-Term Memory (LSTM) netwerken, maakt de ViT gebruik van een multi-head attention-mechanisme om langetermijn temporele afhankelijkheden en globale informatie effectiever te vangen, wat cumulatieve fouten vermindert.
   • Visuele verwerking: Een Multiscale Convolutional Neural Network (MCNN), geïnspireerd door FlowNet, extraheert optische flow-gebaseerde bewegingskenmerken uit visuele data. De MCNN bevat residual blocks om vanishing gradients aan te pakken en depthwise separable convoluties om de computationele last te verminderen terwijl kenmerken op verschillende schalen worden geleerd.

2. Adaptieve Sensorfusie:

   • Een adaptief fusiemodule weegt IMU- en visuele kenmerken dynamisch op basis van de geschatte onzekerheid.
   • De module maakt gebruik van een gate-gebaseerd feature scaling-mechanisme met de Concrete-distributie. Dit maakt differentiabele backpropagation van discrete latente variabelen mogelijk, waardoor het netwerk een stochastische functie kan leren die selectief kenmerken van elke sensor benadrukt of minder belangrijk maakt.
   • Een masker wordt gegenereerd om de bijdrage van elke modaliteit aan te passen; als een sensor een hoge onzekerheid vertoont (bijv. door ruis of occlusie), wordt de invloed ervan verminderd ten gunste van de meer betrouwbare sensor.

3. Unscented Kalman Filter (UKF):

   • De UKF dient als de state estimator, die de pose-voorspellingen gegenereerd door de deep learning-modellen verfijnt.
   • Het maakt gebruik van de unscented transform om niet-lineariteiten in de proces- en meetmodellen nauwkeuriger te behandelen dan lineaire benaderingen (zoals de Extended Kalman Filter).
   • De UKF schat adaptief de ruiscovariantie op basis van de huidige systeemtoestand en sensorkarakteristieken, waardoor de noodzaak voor statische, handmatige afstemming wordt geëlimineerd.

4. Onzekerheidsbewuste Loss-functie:

   • Een nieuwe loss-functie wordt geïntroduceerd om zowel aleatorische (data-ruis) als epistemische (modelonzekerheid) onzekerheden expliciet in het trainingsproces op te nemen.
   • De totale loss combineert de pose loss (Mean Squared Error voor translatie en rotatie) met een wegingsmechanisme gebaseerd op de voorspelde onzekerheid ($\sigma$). De formule straft overmatige zelfverzekerdheid in onzekere voorspellingen af en moedigt het model aan om de onzekerheid te minimaliseren, wat de robuustheid verbetert wanneer sensordata zwak of inconsistent zijn.

Belangrijkste Bijdragen
Het artikel beschrijft vijf belangrijke bijdragen:

1. DL-gebaseerde Fusie: Een nieuwe aanpak die deep learning integreert met UKF om de navigatienauwkeurigheid en betrouwbaarheid in autonoom rijden te verbeteren.
2. Onzekerheidskwantificatie: De integratie van aleatorische en epistemische onzekerheden in pose-schatting via een onzekerheidsbewuste loss-functie, wat dynamische parameterinstelling op basis van onzekerheidsniveaus mogelijk maakt.
3. Adaptief Fusiemechanisme: Een gate-gebaseerd feature scaling-mechanisme met de Concrete-distributie om sensor-kenmerken dynamisch te wegen, relevante data te benadrukken en ruis te filteren.
4. Hybride Architectuur: De combinatie van DL voor feature learning en UKF voor state refinement om superieure pose-schatting te bereiken.
5. Gespecialiseerde Feature Extractors: De ontwikkeling van een ViT voor IMU-data (superieur aan LSTM voor temporele afhankelijkheden) en een Multiscale CNN voor visuele kenmerkextractie.

Experimentele Resultaten
De voorgestelde methode werd geëvalueerd op de KITTI visual-inertial odometry dataset.

• Prestatie-indicatoren: Het model behaalde superieore prestaties in Absolute Trajectory Error (ATE) en Relative Pose Error (RPE) vergeleken met baseline-benaderingen, waaronder VISO2, ORB-SLAM2, sfmLearner en andere diepe VIO-methoden.
• Efficiëntie: Het model is lichtgewicht, met ongeveer 6,98 miljoen parameters en een computationele complexiteit van 1,587 GFLOPs. Het verwerkt data met 155 frames per seconde (FPS) op een NVIDIA A100 GPU, wat het geschikt maakt voor resource-beperkte edge-apparaten.
• Robuustheidstesten: Het systeem werd getest onder diverse degradatiescenario's, inclusief beeldocclusie, beeldvervaging, frame-omissie, IMU-ruis en ontbrekende IMU-data.
  • De "All"-configuratie (die adaptieve fusie en onzekerheidsbewuste loss integreert) leverde consistent de laagste foutpercentages op over alle sequenties en metrieken.
  • Ablatie-studies toonden aan dat de adaptieve fusie- en onzekerheidsbewuste loss-modules de translationele en rotationele fouten significant verminderden vergeleken met standaard fusie of visuele benaderingen alleen.
  • Hoewel de prestaties afnamen onder extreme omstandigheden (bijv. frame-omissie), behield de voorgestelde methode lagere foutpercentages dan de baselines, wat de veerkracht benadrukt.

Betekenis en Claims
De auteurs beweren dat dit werk een betrouwbare oplossing biedt voor autonome navigatie in complexe en dynamische omgevingen waar single-sensor benaderingen falen. Door onzekerheid expliciet te kwantificeren en te integreren in zowel het fusiemechanisme als de loss-functie, kan het systeem zich dynamisch aanpassen aan de betrouwbaarheid van sensoren, wat een transparanter en betrouwbaarder navigatieproces biedt. Het papier benadrukt dat deze aanpak bijzonder waardevol is voor scenario's die betrokken zijn bij sensorfouten, ruisachtige data of omgevingsinterferentie, zoals tunnels of gebieden met slecht zicht. Het lichtgewicht karakter van het model ondersteunt verder de implementatie in real-time autonome systemen. De auteurs concluderen dat het voorgestelde systeem een veelbelovende stap is naar robuuste autonome navigatie, hoewel zij opmerken dat toekomstig werk zich kan richten op het verder verbeteren van de robuustheid tegen langdurige sensordrift.