論文の概要: Learning-based Bias Correction for Ultra-wideband Localization of
Resource-constrained Mobile Robots
- arxiv url: http://arxiv.org/abs/2003.09371v1
- Date: Fri, 20 Mar 2020 16:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 23:09:47.353775
- Title: Learning-based Bias Correction for Ultra-wideband Localization of
Resource-constrained Mobile Robots
- Title（参考訳）: 資源拘束型移動ロボットの超広帯域化のための学習型バイアス補正
- Authors: Wenda Zhao, Abhishek Goudar, Jacopo Panerati, and Angela P. Schoellig
(University of Toronto Institute for Aerospace Studies, Vector Institute for
Artificial Intelligence)
- Abstract要約: 超広帯域ローカライゼーションの2方向範囲と時間差に適合するバイアス補正フレームワークを提案する。
このアプローチはスケーラブルで、ナノクワッドコプターのマイクロコントローラに展開するのに十分な柔軟性がある。
- 参考スコア（独自算出の注目度）: 9.609597889226398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate indoor localization is a crucial enabling technology for many
robotics applications, from warehouse management to monitoring tasks.
Ultra-wideband (UWB) ranging is a promising solution which is low-cost,
lightweight, and computationally inexpensive compared to alternative
state-of-the-art approaches such as simultaneous localization and mapping,
making it especially suited for resource-constrained aerial robots. Many
commercially-available ultra-wideband radios, however, provide inaccurate,
biased range measurements. In this article, we propose a bias correction
framework compatible with both two-way ranging and time difference of arrival
ultra-wideband localization. Our method comprises of two steps: (i) statistical
outlier rejection and (ii) a learning-based bias correction. This approach is
scalable and frugal enough to be deployed on-board a nano-quadcopter's
microcontroller. Previous research mostly focused on two-way ranging bias
correction and has not been implemented in closed-loop nor using
resource-constrained robots. Experimental results show that, using our
approach, the localization error is reduced by ~18.5% and 48% (for TWR and
TDoA, respectively), and a quadcopter can accurately track trajectories with
position information from UWB only.
- Abstract（参考訳）: 正確な屋内ローカライゼーションは、倉庫管理から監視タスクまで、多くのロボットアプリケーションにとって重要な技術である。
ウルトラワイドバンド(UWB)レンジは、同時ローカライゼーションやマッピングといった他の最先端のアプローチと比較して、安価で軽量で計算コストのかかる有望なソリューションであり、特に資源に制約のある航空ロボットに向いている。
しかし、商業的に利用可能な多くの超広帯域無線は、不正確で偏りのある範囲測定を提供する。
本稿では,到着する超広帯域ローカライゼーションの両方向距離と時間差に適合するバイアス補正フレームワークを提案する。
我々の方法は2つのステップから構成される。
(i)統計的外れ値拒絶、及び
(ii)学習に基づくバイアス補正。
このアプローチはスケーラブルで、ナノクァドコプターのマイクロコントローラに搭載できるほど多様である。
従来の研究は主に二方向偏差補正に重点を置いており、クローズドループや資源制約ロボットを用いても実装されていない。
実験の結果, 本手法では, 位置推定誤差を18.5%, 48% (twrとtdoaでは48%) 削減し, クワッドコプターはuwbからのみの位置情報を追跡できることがわかった。
関連論文リスト
- UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - TransPath: Learning Heuristics For Grid-Based Pathfinding via
Transformers [64.88759709443819]
探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。
私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。
第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
論文 参考訳（メタデータ） (2022-12-22T14:26:11Z) - Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD
for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
ローカル手法は通信時間を短縮する有望なアプローチの1つである。
局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-12T15:12:17Z) - Automating Control of Overestimation Bias for Continuous Reinforcement
Learning [65.63607016094305]
バイアス補正を導くためのデータ駆動型手法を提案する。
我々は、最先端の連続制御アルゴリズムであるTrncated Quantile Criticsにおいて、その効果を実証する。
論文 参考訳（メタデータ） (2021-10-26T09:27:12Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Relative Localization of Mobile Robots with Multiple Ultra-WideBand
Ranging Measurements [15.209043435869189]
ロボット群間の相対的なポーズを,複数のUWB範囲のノードを各ロボットに装備することで推定する手法を提案する。
局所化精度を向上させるため,スライディングウインドウを用いた最適化により,オドメトリー制約を利用する。
論文 参考訳（メタデータ） (2021-07-19T12:57:02Z) - Learning-based Bias Correction for Time Difference of Arrival
Ultra-wideband Localization of Resource-constrained Mobile Robots [8.016760287602084]
超広帯域(UWB)到着時間差(TDOA)ベースのローカライゼーションは,多数のデバイスにスケール可能な,軽量で低コストなソリューションとして有望である。
しかし、標準の商用UWB無線のローカライゼーション精度は、しばしば測定バイアスと外れ値のために不十分である。
我々は,(i)学習に基づくバイアス補正と(ii)M推定に基づくロバストフィルタリングを併用して,アウトレーヤを扱う頑健なUWB TDOAローカライゼーションフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-02T17:31:32Z) - Robust Ultra-wideband Range Error Mitigation with Deep Learning at the
Edge [0.0]
室内無線環境のマルチパス効果、反射、屈折、複雑さは、測定範囲に正のバイアスをもたらす可能性がある。
本稿では,ディープラーニングとグラフ最適化技術の最新技術を活用した効率的な表現学習手法を提案する。
チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoS条件またはLoS条件の補正を推定する。
論文 参考訳（メタデータ） (2020-11-30T10:52:21Z) - Indoor Point-to-Point Navigation with Deep Reinforcement Learning and
Ultra-wideband [1.6799377888527687]
移動障害や非視線発生はノイズや信頼性の低い信号を生成する。
深部強化学習(RL)で学習した電力効率のよい局所プランナーが,ノイズショートレンジ誘導システムの完全解法として頑健かつ弾力性を持つことを示す。
この結果から, 計算効率のよいエンドツーエンドポリシは, 堅牢でスケーラブルで, 最先端の低コストナビゲーションシステムを実現することができることがわかった。
論文 参考訳（メタデータ） (2020-11-18T12:30:36Z) - Efficient Real-Time Radial Distortion Correction for UAVs [1.7149364927872015]
慣性測定ユニット(IMU)を備えた無人航空機(UAV)の車載半径歪み補正のための新しいアルゴリズムを提案する。
このアプローチは校正手順を冗長にし、即時光の交換を可能にする。
焦点長, 半径歪み分布, 運動パラメータをホモグラフから同時に推定する高速で頑健な最小解法を提案する。
論文 参考訳（メタデータ） (2020-10-08T18:34:56Z) - Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound [59.97366727654676]
3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。
米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。
本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-30T07:23:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。