Leveraging IMU redundancy for high-accuracy state estimation: a deep learning approach

The increasing demand for precision and robustness in applications such as autonomous vehicles, drones and robotics exposes the performance ceiling of traditional single-IMU systems. Since an individual low-cost sensor is inherently limited by its noise profile and bias instability, this work investigates how a redundant array can result in a good solution to overcome these constraints through statistical noise reduction and providing an enhanced observability of complex spatial dynamics. This work quantifies the resulting performance gains through a systematic comparison of one, two, and four-sensor configurations on a planar square-shaped board equipped with four ASM330LHH IMUs. The research first involves an in-depth analysis of sensor fusion algorithms to identify the optimal strategy for coherently preprocessing the data from the four-sensor array, both in static and dynamic conditions. Next, the data stream is leveraged by state-of-the-art deep learning models, including a physics-informed network developed for the Center of Gravity (CoG) analysis and a series of supervised CNN-Attention Networks for a known Center of Rotation (CoR) prediction. These investigations highlight a significant and progressive reduction in estimation error as sensor redundancy increases, offering valuable insights for designing more accurate and reliable estimation systems in future robotics and inertial navigation systems challenges.

La crescente domanda di precisione e robustezza in applicazioni come veicoli autonomi, droni e sistemi robotici evidenzia i limiti prestazionali intrinseci dei sistemi inerziali tradizionali a singola IMU. Un singolo sensore a basso costo è infatti limitato dal suo profilo di rumore e dall’instabilità del bias; questo lavoro di tesi si prefigge di indagare come un array ridondante di sensori possa essere una soluzione per superare tali vincoli, mettendo in pratica una riduzione statistica del rumore e fornendo una maggiore osservabilità di dinamiche spaziali complesse. Lo studio si occupa di quantificare i guadagni prestazionali derivanti dalla ridondanza attraverso un confronto di configurazioni a uno, due e quattro sensori, effettuato tramite una board planare quadrata su cui sono stati saldati quattro IMU di tipo ASM330LHH. La metodologia di studio prevede inizialmente un’analisi approfondita degli algoritmi di fusione sensoriale per individuare la strategia ottimale di pre-processing dei dati, sia in condizioni statiche che dinamiche. Successivamente, il flusso di dati viene utilizzato come input da modelli di Deep Learning, tra cui una rete neurale physics-informed per l’analisi di un Centro di Gravità (CoG) sconosciuto e una serie di reti supervisionate con architettura CNN-Attention per la predizione di un Centro di Rotazione (CoR) noto. Queste indagini evidenziano una significativa e progressiva riduzione degli errori di stima all’aumentare della ridondanza sensoriale, offrendo indicazioni preziose per una futura progettazione di sistemi più accurati e affidabili, fondamentali per le future sfide nella robotica e nella navigazione inerziale.