地面编码：基于因子图学习的探地雷达定位模型
机器人学
2021-03-30 v1
摘要
我们研究使用探地雷达（GPR）传感器进行机器人定位的问题。当前基于GPR传感器的定位方法需要环境先验地图以及运行中近似全球定位（GPS）的接入。本文提出一种面向未知且拒止GPS环境的新型实时GPR定位系统。我们将定位问题建模为因子图上的推断。该方法将一维单通道GPR测量组合成二维图像子图。要在图中使用这些GPR图像，我们需要能将噪声高维图像测量映射到状态空间的传感器模型。由于图像生成对地下组成和雷达物理具有复杂依赖，且本身随传感器及地下电磁特性变化而异，这些模型难以先验获取。我们的核心思路是直接从GPR数据中学习相对传感器模型，将非顺序的GPR图像对映射到机器人相对运动。这些模型作为因子纳入因子图，其相对运动预测可修正位置估计中的累积漂移。我们使用定制实验装置在多地采集的数据集上验证了该方法，展示了仅用GPR和里程计测量在三种不同拒止GPS环境中对多变轨迹的可靠实时定位。补充视频见 https://youtu.be/HXXgdTJzqyw。
引用
@article{arxiv.2103.15317,
title = {Ground Encoding: Learned Factor Graph-based Models for Localizing Ground Penetrating Radar},
author = {Alexander Baikovitz and Paloma Sodhi and Michael Dille and Michael Kaess},
journal= {arXiv preprint arXiv:2103.15317},
year = {2021}
}
备注
Submitted to the International Conference on Intelligent Robots and Systems (IROS) 2021