基于赫尔默特点误差目标函数的最大一致定位
机器人学
2023-02-22 v1
摘要
自定位是自动驾驶车辆的一项关键任务。一方面它需要非常精确，另一方面需要非常鲁棒，以便在具有挑战性的环境中也能提供可靠的位姿（位置与朝向）信息。寻找最佳自定位位置通常与基于传感器测量值优化目标函数相关联。最常见的方法是最大化似然，在正态随机变量假设下这导出了著名的最小二乘最小化，常与递归估计（例如使用卡尔曼滤波）结合使用。然而，最小二乘最小化本质上对离群点敏感，因此人们提出了更鲁棒的损失函数，如 L1 范数或 Huber 损失。可以说最鲁棒的损失函数是离群点计数，也称为最大一致优化，其结果独立于离群点的大小。本文详细研究了基于 LiDAR 数据的最大一致定位的性能。我们阐述了其缺陷，并提出了一种基于赫尔默特点误差的新颖目标函数。在使用 3001 个测量历元的实验中，我们表明基于所引入目标函数的最大一致定位在鲁棒性方面提供了更优的结果。
引用
@article{arxiv.2302.10589,
title = {Maximum Consensus Localization using an Objective Function based on Helmert's Point Error},
author = {Jeldrik Axmann and Yimin Zhang and Claus Brenner},
journal= {arXiv preprint arXiv:2302.10589},
year = {2023}
}