基于 Koopman 线性化的数据驱动批量定位与 SLAM
机器人学
2024-09-17 v2
摘要
我们提出一个无模型的批量定位与 SLAM 框架。我们利用提升函数将控制仿射系统映射至高维空间，使过程模型与测量模型均变为双线性。训练期间，我们使用真值数据求解最小二乘问题，纯粹从数据计算与提升系统相关的高维模型矩阵。推理时，我们通过优化问题求解未知机器人轨迹与路标，并引入约束使解保持在提升函数的流形上。该问题利用序列二次规划（SQP）高效求解，其中一次 SQP 迭代的复杂度随时间点数量线性增长。我们的算法称为约简约束 Koopman 线性化定位（RCKL-Loc）与约简约束 Koopman 线性化 SLAM（RCKL-SLAM），在仿真及两个数据集上进行了实验验证：其一为配备激光测距仪（测量到柱状路标距离）的室内移动机器人，其二为配备 RFID 距离传感器的高尔夫球车。我们将 RCKL-Loc 与 RCKL-SLAM 与经典基于模型的非线性批量估计进行比较。虽然 RCKL-Loc 与 RCKL-SLAM 性能与基于模型的对应方法相近，但在先验模型不完美时优于基于模型的方法，展示了所提数据驱动技术的潜在益处。
引用
@article{arxiv.2309.04375,
title = {Data-Driven Batch Localization and SLAM Using Koopman Linearization},
author = {Zi Cong Guo and Frederike Dümbgen and James R. Forbes and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:2309.04375},
year = {2024}
}
备注
Note: the journal version for IEEE T-RO does not include Appendix G