批量非线性连续时间轨迹估计作为精确稀疏高斯过程回归
机器人学
2014-12-02 v1
摘要
在本文中，我们通过高斯过程 (GP) 回归的视角重新审视批量状态估计。我们考虑连续 - 离散估计问题，其中轨迹被视为以时间为自变量的一维 GP。我们的连续时间先验可以由任何由白噪声驱动的非线性时变随机微分方程定义；这使得利用各种车辆动力学模型（例如“恒速”模型）来平滑我们的轨迹估计成为可能。我们表明，此类先验会导致一个逆核矩阵（即所有测量时间对之间的协方差矩阵），该矩阵是精确稀疏的（块三对角），并且可以利用这一点非常高效地执行 GP 回归（及插值）。当先验基于线性时变随机微分方程且测量模型也是线性时，这种 GP 方法等价于经典的离散时间平滑（在测量时间点）；当存在非线性时，我们迭代整个轨迹以最大化精度。我们在一个使用移动机器人数据集的同时轨迹估计与建图问题上对该方法进行了实验测试。
引用
@article{arxiv.1412.0630,
title = {Batch Nonlinear Continuous-Time Trajectory Estimation as Exactly Sparse Gaussian Process Regression},
author = {Sean Anderson and Timothy D. Barfoot and Chi Hay Tong and Simo Särkkä},
journal= {arXiv preprint arXiv:1412.0630},
year = {2014}
}
备注
Submitted to Autonomous Robots on 20 November 2014, manuscript # AURO-D-14-00185, 16 pages, 7 figures