Orientation-Free Neural Network-Based Bias Estimation for Low-Cost Stationary Accelerometers

Resumo Técnico: Estimativa de Viés Baseada em Redes Neurais Livre de Orientação para Acelerômetros Estacionários de Baixo Custo

Definição do Problema
Acelerômetros de Micro-Sistemas Eletromecânicos (MEMS) de baixo custo são ubíquos em navegação, robótica e dispositivos de consumo devido à sua acessibilidade e pequeno fator de forma. No entanto, seu desempenho é frequentemente degradado por erros determinísticos de viés (bias). Em condições estacionárias, esses vieses devem ser estimados e removidos para evitar uma deriva significativa nos cálculos de velocidade e posição (que resultam da dupla integração do sinal de aceleração).

Os métodos de calibração tradicionais enfrentam limitações práticas significativas. Eles tipicamente exigem:

1. Orientação Nivelada: O sensor deve estar alinhado com o vetor de gravidade local (roll e pitch zero). Pequenos desvios (ex: >2,87°) introduzem offsets induzidos pela gravidade indistinguíveis do viés real, levando a uma calibração imprecisa.
2. Gravação de Múltiplas Posições: Muitos métodos baseados em modelos (ex: Mínimos Quadrados) exigem que o sensor seja rotacionado através de múltiplas orientações distintas para resolver os parâmetros de calibração.
3. Equipamento Externo: Alguns métodos dependem de suportes de calibração externos ou conhecimento preciso da orientação do sensor em relação ao referencial de navegação.

Esses requisitos dificultam a implantação rápida em campo e limitam a utilidade de sensores de baixo custo em cenários do mundo real, onde o nivelamento ou a rotação controlada são impraticáveis.

Metodologia
Os autores propõem o OFBENet, uma abordagem baseada em aprendizado e livre de modelo para estimar o viés do acelerômetro diretamente de dados de séries temporais estacionárias sem conhecimento prévio da orientação do sensor.

• Conceito Central: Em vez de depender de modelos físicos analíticos que assumem orientações específicas, o método utiliza uma rede neural profunda para aprender o mapeamento entre as características do sinal estacionário bruto e o viés subjacente. A rede aproveita o fato de que o viés é constante ao longo de curtos períodos de gravação, enquanto o ruído é estocástico, permitindo que a rede distinga padrões de sinal persistentes do ruído.
• Arquitetura da Rede: O OFBENet é uma rede neural convolucional (CNN) 1D leve, projetada para eficiência e generalização.
  • Entrada: Janelas de comprimento fixo e não sobrepostas de dados de acelerômetro de 3 eixos ($T \times 3$).
  • Extração de Características: Três blocos convolucionais, cada um consistindo em uma convolução 1D (tamanho do kernel 5), normalização por lote (batch normalization), ativação LeakyReLU e pooling médio. As profundidades dos filtros aumentam de 8 para 32 e para 64 para capturar padrões temporais complexos.
  • Representação Global: Uma camada de pooling médio global reduz os mapas de características para um vetor compacto (64 dimensões).
  • Saída: Uma camada totalmente conectada com dropout, seguida por uma camada de saída linear que prevê o vetor de viés de 3 eixos ($\hat{b}_x, \hat{b}_y, \hat{b}_z$).
• Treinamento: A rede é treinada usando a função de perda de Erro Quadrático Médio (MSE) e o otimizador Adam. Os rótulos de viés de referência (ground truth) são derivados da média de gravações estacionárias de longa duração após o viés ter convergido (determinado como aproximadamente 4500 amostras ou 30 segundos).

Principais Contribuições

1. Calibração Livre de Orientação: Uma abordagem inovadora que estima o viés sem exigir que o sensor seja nivelado ou rotacionado para posições conhecidas.
2. Arquitetura OFBENet: O desenvolvimento de uma rede neural ponta a ponta capaz de regredir o viés diretamente a partir de dados brutos, capturando padrões de erro não lineares sem modelos físicos predefinidos.
3. Recurso Aberto: A liberação de um repositório no GitHub contendo o conjunto de dados (13,39 horas de gravações de seis acelerômetros) e o código de implementação para facilitar a replicação e pesquisas futuras.

Resultados Experimentais
O método proposto foi validado em um conjunto de dados composto por 13,39 horas de gravações de seis acelerômetros SparkFun ADXL345 sob duas condições:

1. Alinhado com a Gravidade: Sensores colocados em uma superfície nivelada (roll/pitch zero).
2. Rotacionado: Sensores montados em uma placa impressa em 3D e rotacionados através de vários ângulos de pitch e roll (até ±180° de roll e ±80° de pitch), com um IMU Memsense MS-3025 de alta precisão servindo como referência de orientação (ground truth).

O desempenho foi avaliado contra dois métodos de linha de base baseados em modelos: calibração por Mínimos Quadrados (LS) e uma calibração baseada em Modelo Matemático.

• Acurácia: O OFBENet alcançou consistentemente um Erro Quadrático Médio (RMSE) inferior aos métodos de linha de base.
  • No Conjunto de Dados Rotacionado, o OFBENet demonstrou melhorias de 77,11% e 87,19% sobre o método de Mínimos Quadrados para os dois sensores testados, e 81,24% e 78,21% sobre o Modelo Matemático.
  • No Conjunto de Dados Alinhado com a Gravidade, o OFBENet alcançou uma melhoria de 52,52% sobre o Mínimos Quadrados.
• Robustez: O OFBENet exibiu menor variância entre as dobras de validação cruzada e erros absolutos máximos significativamente menores em comparação com os métodos de linha de base, indicando um desempenho estável mesmo sob condições inclinadas onde os métodos tradicionais falham.
• Significância Estatística: Testes t pareados confirmaram que as melhorias de desempenho do OFBENet sobre as linhas de base foram estatisticamente significativas ($p < 0,05$).

Significância e Alegações
O artigo afirma que o OFBENet fornece uma solução rápida, prática e escalável para calibrar sensores inerciais de baixo custo em cenários livres de orientação. Ao eliminar a necessidade de calibração nivelada, equipamentos externos ou sessões complexas de gravação de múltiplas posições, o método permite uma rápida implantação em campo.

Os autores enfatizam que sua abordagem muda o paradigma do modelagem analítica (que é sensível ao condicionamento numérico e à diversidade de orientação) para o aprendizado baseado em dados. Isso permite a estimativa precisa de viés em diversas aplicações científicas e industriais, como robótica e sistemas de navegação, onde inicialização rápida e desempenho confiável são críticos, aumentando, em última análise, a utilidade dos sensores MEMS de baixo custo sem comprometer a precisão.