본 논문은 딥러닝 기법을 기반으로 하는 스마트폰의 자세 추정 알고리즘을 제안한다. 최근 주목받고 있는 스마트 헬스케어, 증강현실(AR), 인간과 로봇 상호작용 기술에는 스마트폰의 자세 추정이 필수적이다. 그러나 스마트폰 내 관 성센서를 이용한 자세 추정은 바이어스와 노이즈 등 센서 오차로 인해 시간이 흐를수록 추정 오차가 증가하게 된다. 따라서 그에 대한 적절한 오차 보상 방안이 요구된다. 기존의 연구들은 그 방안으로서 칼만 필터 등 필터 기반의 접 근법을 채택하였지만, 신경망에 대한 관심이 높아지며 recurrent neural network (RNN)을 비롯한 딥러닝 알고리즘이 제안되고 있다. 본 논문에서는 RNN에 비해 temporal convolutional network (TCN)이 가지는 상대적인 강점을 적용하여 스마트폰의 자세 추정 오차를 줄이기 위한 방안을 제시한다. 해당 네트워크는 지도학습을 통해 신경망을 학습하며, 이를 위해 스마트폰을 사용하는 동작별로 분류된 데이터셋을 사용한다. 또한 동작 특성을 고려하여 학습 데이터를 선별하였으며, 신경망의 하이퍼 파라미터도 학습 데이터셋의 특성에 맞도록 조정하였다. 학습된 신경망을 기반으로 시뮬레이션을 진행하여 기존 알고리즘에 비해 자세 추정 오차가 개선됨을 확인하였다.

Inertial Sensors based Attitude Estimation of a Smartphone Using a Temporal Convolutional Network

Jae Wook Park, Jae Hong Lee, Chan Gook Park*

We present an attitude estimation algorithm for smartphones based on deep learning techniques. Smartphone attitude estimation is essential for smart healthcare, augmented reality (AR), and human-robot interaction technology that has recently attracted attention. However, for attitude estimation using inertial sensors in smartphones, the estimation error increases over time due to sensor errors such as bias and noise. Therefore, an appropriate error compensation method is required. Existing studies have adopted filter-based approaches such as Kalman filter, but as interest in neural networks increases, deep learning algorithms including recurrent neural network (RNN) have been proposed. This paper presents a method to reduce attitude estimation errors of smartphones by applying the relative strengths of temporal convolutional network (TCN) over RNN. The network learns weights through supervised learning, and for this purpose, a dataset classified for each action using a smartphone is used. In addition, training data were selected in consideration of the behavioral characteristics, and the hyperparameters of the neural network were also adjusted to suit the characteristics of the training dataset. Simulations were conducted based on the trained neural network, and it was confirmed that the attitude estimation error was improved compared to the existing algorithm.

Keywords: inertial measurement unit, attitude estimation, deep learning, temporal convolutional network

Speaker 박재욱 서울대학교