基于图优化与误差状态卡尔曼滤波的5G与惯性数据融合在MAV室内位姿估计中的对比
机器人学
2024-05-03 v2
摘要
5G新空口到达时间数据具有革新微型飞行器（MAV）室内定位的潜力。然而，其在不同网络配置下的性能，尤其是在与IMU数据结合用于实时定位时，尚未得到充分探索。在本研究中，我们开发了误差状态卡尔曼滤波器（ESKF）和位姿图优化（PGO）方法以填补这一空白。我们在具有视距（LOS）5G基站的现实场景中，系统评估了所推导的方法在MAV实时定位中的性能，展示了5G技术在该领域的潜力。为了在实验上测试和比较我们的定位方法，我们用模拟但高度逼真的5G ToA测量数据增强了用于视觉惯性里程计的EuRoC MAV基准数据集。我们的实验结果全面评估了不同网络配置（包括基站数量和网络结构的变化）对基于ToA的MAV定位性能的影响。结果表明，使用5G ToA测量进行无缝且鲁棒的定位具有可观的前景：在包含五个5G基站的基于图的框架中，整个轨迹的定位精度达到15 cm；在基于ESKF的定位中，精度最高可达34 cm。此外，我们测量了两种算法的运行时间，表明它们均足够快，可用于实时部署。
引用
@article{arxiv.2404.00691,
title = {Graph-Based vs. Error State Kalman Filter-Based Fusion Of 5G And Inertial Data For MAV Indoor Pose Estimation},
author = {Meisam Kabiri and Claudio Cimarelli and Hriday Bavle and Jose Luis Sanchez-Lopez and Holger Voos},
journal= {arXiv preprint arXiv:2404.00691},
year = {2024}
}