非线性异构贝叶斯分散数据融合
机器人学
2023-09-27 v3
摘要
因子图分散数据融合(FG-DDF)框架是为分析和利用异构贝叶斯分散融合问题中的条件独立性而开发的,其中机器人针对不同的但重叠的随机状态子集更新并融合概率密度函数(pdfs)。这使得机器人能够高效使用较小的概率模型与稀疏消息传递,准确且可扩展地融合更大全局联合状态pdf的相关局部部分,同时考虑机器人之间的数据依赖。先前工作需要对网络连接性与模型线性作出限制性假设,而本文放宽这些假设以探索FG-DDF在更一般设置中的适用性与鲁棒性。我们开发了一种新的异构融合规则,将同构协方差交集算法推广至此类情形,并在通信中断下具有非线性运动/观测模型的多机器人跟踪与定位场景中进行了测试。仿真与硬件实验表明,在实践中,FG-DDF在这些更实际的运行条件下仍能提供一致的滤波估计,同时将计算与通信成本降低99%以上,从而支持可扩展真实世界多机器人系统的设计。
引用
@article{arxiv.2209.08401,
title = {Nonlinear Heterogeneous Bayesian Decentralized Data Fusion},
author = {Ofer Dagan and Tycho L. Cinquini and Nisar R. Ahmed},
journal= {arXiv preprint arXiv:2209.08401},
year = {2023}
}
备注
7 pages, 3 figures, 3 tables, submitted to IEEE/RSJ international Conference on intelligent Robots and Systems (IROS 2023). Replacing previous version to account to reviewers' comments, this is the version presented at IROS 2023