通过协方差自适应实现鲁棒增量状态估计

近期机器人与自动化领域的进展激发了人们对鲁棒状态估计的浓厚兴趣。为实现鲁棒状态估计，已提出若干方法。其中一种展现出良好性能的技术是：基于状态估计残差迭代估计高斯混合模型（GMM）以刻画测量不确定性模型。通过该迭代过程，测量不确定性模型被更精确地刻画，从而通过对错误观测的适当降权实现鲁棒状态估计。然而，该方法传统上需要批估计框架以估计测量不确定性模型，这不利于机器人应用。本文中，我们提出一种高效、增量的测量不确定性模型估计范式扩展。本文详述的增量协方差估计（ICE）方法在多个采集数据集上评估，结果显示与其他最先进的鲁棒增量估计算法相比，其显著提升了定位精度。