认知不确定性下具概率一致性保证的基于集合的状态估计
系统与控制
2022-02-28 v2 机器人学
系统与控制
摘要
一致性状态估计具有挑战性，尤其在源自习得（非线性）动态与观测模型的认知不确定性下。本工作中，我们提出一种名为高斯过程-zonotopic 卡尔曼滤波（GP-ZKF）的基于集合的估计算法，其在兼顾习得模型中的认知不确定性与偶然不确定性的同时产生 zonotopic 状态估计。我们的方法保证概率一致性，即真实状态在所有时间步以高概率被集合（zonotope）所界定。我们正式地将 GP-ZKF 与相应的随机方法 GP-EKF 在习得（非线性）模型情形下相联系。特别地，当忽略线性化误差与偶然不确定性并简化认知不确定性时，GP-ZKF 退化为 GP-EKF。我们在仿真单摆域与真实机器人辅助穿衣域中实证展示了方法的有效性，其中 GP-ZKF 比所有基线随机方法产生更具一致性且更不保守的基于集合的估计。
引用
@article{arxiv.2110.09584,
title = {Set-based State Estimation with Probabilistic Consistency Guarantee under Epistemic Uncertainty},
author = {Shen Li and Theodoros Stouraitis and Michael Gienger and Sethu Vijayakumar and Julie A. Shah},
journal= {arXiv preprint arXiv:2110.09584},
year = {2022}
}
备注
Published at IEEE Robotics and Automation Letters, 2022. Video: https://www.youtube.com/watch?v=CvIPJlALaFU Copyright: 2022 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any media, including reprinting/republishing for any purposes, creating new works, for resale or redistribution, or reuse of any copyrighted component of this work