基于约束 Rao-Blackwellized 粒子滤波的高效状态估计
机器人学
2023-10-10 v1
摘要
由于机器人传感器的局限性，在机器人操作任务中，物体状态的获取可能不可靠且含有噪声。将多体动力学系统的精确模型与贝叶斯滤波方法相结合，已被证明能够从物体观测状态中滤除噪声。然而，这些滤波方法的效率受到违反物理约束（例如无穿透约束）的样本的影响。本文中，我们提出一种 Rao-Blackwellized 粒子滤波（RBPF），其对接触状态进行采样，并使用卡尔曼滤波更新物体位姿。该 RBPF 还通过求解二次规划问题对样本施加物理约束。通过与不考虑物理约束的方法进行比较，我们表明所提出的 RBPF 不仅能够更准确地估计物体状态（例如位姿），还能够以更高精度推断未观测状态（例如速度）。
引用
@article{arxiv.2310.04637,
title = {Efficient State Estimation with Constrained Rao-Blackwellized Particle Filter},
author = {Shuai Li and Siwei Lyu and Jeff Trinkle},
journal= {arXiv preprint arXiv:2310.04637},
year = {2023}
}