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

Resumo Técnico: Uma Abordagem Baseada em Aprendizado para Eliminação de Viés em Giroscópios de Baixo Custo

Declaração do Problema
Plataformas operacionais modernas, que vão desde veículos autônomos até eletrodomésticos, dependem cada vez mais de sensores inerciais de baixo custo. No entanto, esses sensores acumulam diversas fontes de erro ao sair da fábrica, degradando sua precisão e confiabilidade ao longo do tempo. Um desafio primário é a presença de erros de viés em giroscópios. Embora existam métodos de calibração tradicionais, eles frequentemente dependem de modelos analíticos extensos e requerem longos tempos de média para suprimir o ruído de fundo e estimar o viés real. Esse processo de média é demorado e assume condições estacionárias, que são difíceis de manter em cenários em tempo real onde as plataformas enfrentam interrupções. Além disso, a literatura existente oferece soluções limitadas baseadas em dados para essa tarefa específica de calibração, apesar do sucesso comprovado de técnicas baseadas em aprendizado em outros domínios de navegação.

Metodologia
Os autores propõem um framework de aprendizado supervisionado para estimar vieses de verdade de terreno (GT) em giroscópios de baixo custo, substituindo a calibração baseada em modelos lineares tradicionais por uma abordagem de regressão não linear.

• Aquisição e Preparação de Dados: O conjunto de dados foi construído utilizando cinco sensores inerciais de baixo custo diferentes (amostrados a 200 Hz) por meio do aplicativo phyphox. Dez medições de um minuto foram realizadas em cada sensor após tempos de espera variados para garantir uma faixa de vieses fixos. Os dados brutos foram processados para criar pares amostra-rotulo: segmentos de curta duração serviram como entradas, enquanto o valor esperado da medição completa de um minuto serviu como o rótulo de "verdade de terreno". O conjunto de dados foi aumentado aplicando transformações de viés aditivo e ruído branco de média zero, expandindo o tamanho da amostra para 5.000 para melhorar a generalização.
• Arquitetura do Modelo: Uma Rede Neural Convolucional (CNN) de duas camadas foi selecionada como a função de aproximação. A arquitetura consiste em um módulo codificador que realiza convoluções 1D sequenciais seguidas de subamostragem (pooling) para gerar representações de características de baixa dimensão. Essas características são então passadas para uma rede totalmente conectada para realizar a regressão, produzindo o viés previsto ($\hat{b}^s_g$).
• Treinamento e Avaliação: O modelo foi treinado utilizando uma função de perda de Erro Quadrático Médio (MSE) para minimizar o desvio entre o viés previsto e os rótulos GT. O conjunto de dados foi dividido em 80:20 para treinamento e teste. O desempenho foi avaliado comparando o Erro Quadrático Médio (RMSE) das previsões da CNN com um método de linha de base, que depende da simples média temporal da saída do sensor.

Principais Resultados
O estudo demonstra que a abordagem baseada em aprendizado pode reduzir significativamente o tempo necessário para a estimativa de viés em comparação com a média tradicional:

• Redução de Tempo: O modelo CNN previu com sucesso vieses usando durações de entrada tão curtas quanto 10 segundos (um fator de divisão de 6 em relação à linha de base de 60 segundos) com um RMSE de 0,588 mrad/s. Embora a linha de base (média de 60 segundos) tenha alcançado um RMSE de 0,439 mrad/s, o modelo alcançou precisão comparável em uma fração do tempo.
• Compromisso de Desempenho: A Tabela I indica um compromisso entre a duração da medição e o erro. Por exemplo, uma entrada de 1 segundo resultou em um erro aproximadamente o dobro do da linha de base (208% do erro da linha de base), enquanto uma entrada de 10 segundos reduziu isso para 133% do erro da linha de base.
• Tratamento de Ruído: Diferentemente da linha de base, que exibe decaimento lento e flutuações acentuadas em resposta a rajadas de ruído, o modelo baseado em aprendizado demonstrou a capacidade de "pular" tempos de espera e prever vieses reais com base em padrões aprendidos durante o treinamento, filtrando o ruído de fundo de forma mais eficiente do que a simples média.

Significado e Alegações
O artigo afirma que sua contribuição primária é demonstrar que estimadores não lineares, especificamente CNNs, podem superar a calibração baseada em modelos lineares para eliminação de viés em giroscópios de baixo custo. Os autores destacam três realizações específicas:

1. Superioridade de Estimadores Não Lineares: CNNs fornecem melhor desempenho do que métodos tradicionais de calibração linear.
2. Eficiência: O modelo bem treinado pode reduzir o tempo de média necessário em aproximadamente uma ordem de magnitude (por exemplo, alcançando resultados úteis em 10 segundos versus 60 segundos).
3. Robustez: Os parâmetros aprendíveis aumentam a robustez do modelo a perturbações não estacionárias, oferecendo uma alternativa que economiza tempo em relação aos "preciosos tempos de média" exigidos em ambientes estéreis.

Os autores concluem que, embora a aquisição e o treinamento suficientes de dados sejam pré-requisitos, essa abordagem baseada em dados oferece um método viável e mais rápido para determinação de viés, removendo a dependência estrita de longos períodos de observação estacionária.