Jan, 2024

SE (2) 中的多机器人相对位姿估计与可观测性分析：扩展卡尔曼滤波和鲁棒位姿图优化的比较

PDF
TL;DR本文研究了多机器人定位问题，重点关注合作定位和相对位姿估计的可观测性分析。通过通信网络和消息传递，可以为每个机器人提供额外信息来进行合作定位。如果目标机器人的里程数据可以传输给自我机器人，那么只需要范围测量或方向测量，且两者的线速度均非零，就可以实现相对位姿估计的可观测性。如果目标机器人的里程数据不会直接传输给自我机器人，而是由自我机器人估计，则需要同时进行范围和方向测量，以保证相对位姿估计的可观测性。本文通过 ROS/Gazebo 模拟，比较了四种不同的传感和通信结构，在估计精度方面，使用了扩展卡尔曼滤波 (EKF) 和姿态图优化 (PGO) 估计以及不同的鲁棒损失函数 (使用不同滑动窗口批量大小的滤波和平滑)。在硬件实验中，使用两个装备有 UWB 模块的 Turtlebot3 进行现实世界中的机器人间相对位姿估计，并进行了 EKF 和 PGO 的应用和比较。
multi-robot localizationobservability analysiscooperative localizationrelative pose estimationcommunication network
发现论文，激发创造
  • 基于接触辅助的不变扩展卡尔曼滤波法用于机器人状态估计

    该研究开发了利用 Lie 群和不变观测器设计技术的接触辅助不变扩展卡尔曼滤波器（InEKF），该滤波器结合了接触惯性动力学和正向运动学校正，可估计姿态和速度以及所有当前接触点。研究表明，误差动力学遵循对数线性自治微分方程，从而提高了收敛性能，并产生了符合非线性系统的本地可观测矩阵。该过程在 Cassie 系列双足机器人上进行了模拟和实验，并表明其比基于四元数的 EKF 具有更好的性能。

    Apr, 2019

  • 多传感器全局位姿估计的通用基于优化的框架

    本文提出了一种传感器融合框架，通过姿态图优化来将现有的本地估计融合到全球传感器中，实现了本地准确和全球无漂移的姿态估计。

    Jan, 2019

  • PO-MSCKF: 基于位姿理论重构的多状态约束卡尔曼滤波器的高效视觉惯性测距

    为了提高负载受限机器人的效率，本文提出了一种基于 Pose-Only 多视角几何描述的 MSCKF VIO 方法，通过建模与运动状态相关的重投影残差，实现了模型一致性和高准确性。在多个数据集上的实验表明，该方法在挑战性场景中能够提高准确性并保持稳定的性能。

    Jul, 2024

  • 基于卡尔曼滤波的 IMU-Camera 标定算法：可观性分析和性能评估

    本文介绍了一种基于扩展卡尔曼滤波器的方法，用于校准相机和 IMU 之间的位姿误差、通过利用李导数分析实现了局部弱可观，该技术成为 SLAM 领域中可观性分析的基础，并在实际中得到了应用，但是其主要结果基于错误证明，现有的方法无法获得。

    Nov, 2013

  • 自监督自运动估计的光度损失之外

    本研究针对相对姿态在视觉测距和同时定位与地图构建中的重要性，介绍了一种基于自我监督学习的方法，同时优化相对姿态和目标图像深度，并通过引入在自我监督框架中被极线几何约束的匹配损失来弥合几何损失和光度损失之间的差距。在 KITTI 数据集上基于自适应估计运动的实验结果证实了该方法的效果优于现有的无监督自我运动估计方法。

    Feb, 2019

  • OptiState: 采用具有基于 Transformer 的视觉和卡尔曼滤波的门控网络对四足机器人进行状态估计

    通过在四足机器人上评估，我们提出了一种混合解决方案，通过结合本体感知和外部感知信息，利用 Kalman 滤波、优化和基于学习的模态，对机器人躯干状态进行估计，从而实现准确的机器人状态估计，并减少传感器测量和模型简化带来的非线性误差。

    Jan, 2024

  • BVE + EKF: 一种基于扩展卡尔曼滤波器的视点估计器，用于在 3D 任务空间中估计对象位置

    使用基于高斯观点估计器的扩展卡尔曼滤波器，通过预测三维物体位置来解决 RGB-D 传感器在开放场景环境下的挑战，算法在实验中表现有效，最大平均欧氏距离误差约为 32 毫米，未来的工作计划是将该系统实现在机器人系统中。

    Jun, 2024

  • 高动态环境下多相机系统自主车辆鲁棒高效的相对位姿估计

    该文研究了自动驾驶在高度动态和可能杂乱的环境下的相对姿态问题，提出了一种使用多摄像头系统的新算法，利用特定的先验知识开发了一种高效的 4 点算法，并与 RANSAC 结合使用，在合成数据和实际应用中表现良好。

    May, 2016

  • DeepKalPose: 深度学习增强的卡尔曼滤波器用于时态一致单目车辆位姿估计

    DeepKalPose 是一种通过使用基于深度学习的卡尔曼滤波器来增强视频中的单目车辆姿态估计的时间一致性的新方法，它通过整合双向卡尔曼滤波策略、可学习的运动模型以及表示复杂运动模式的方式，显著提高了在各种条件下车辆姿态的准确性和鲁棒性，特别是对于遮挡或远离的车辆。在 KITTI 数据集上的实验证实了 DeepKalPose 在姿态准确性和时间一致性方面优于现有方法。

    Apr, 2024

  • 快速，稳健，连续单目自运动计算

    使用期望残差似然方法（ERL）对噪声、光流估计和场景非刚性引起的非高斯噪声进行建模，有效地识别异常值并在许多设置中恢复恰当的置信度权重，从而超过基线单目自我运动估计策略。

    Feb, 2016