論文の概要: Learning-based Bias Correction for Time Difference of Arrival
Ultra-wideband Localization of Resource-constrained Mobile Robots
- arxiv url: http://arxiv.org/abs/2103.01885v1
- Date: Tue, 2 Mar 2021 17:31:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 15:48:56.450686
- Title: Learning-based Bias Correction for Time Difference of Arrival
Ultra-wideband Localization of Resource-constrained Mobile Robots
- Title（参考訳）: 学習に基づく資源制約型移動ロボットの超広帯域位置推定時間差のバイアス補正
- Authors: Wenda Zhao, Jacopo Panerati, Angela P. Schoellig (University of
Toronto Institute for Aerospace Studies, Vector Institute for Artificial
Intelligence)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.016760287602084
- 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) time difference of arrival (TDOA)-based localization is a
promising lightweight, low-cost solution that can scale to a large number of
devices -- making it especially suited for resource-constrained multi-robot
applications. However, the localization accuracy of standard, commercially
available UWB radios is often insufficient due to significant measurement bias
and outliers. In this letter, we address these issues by proposing a robust UWB
TDOA localization framework comprising of (i) learning-based bias correction
and (ii) M-estimation-based robust filtering to handle outliers. The key
properties of our approach are that (i) the learned biases generalize to
different UWB anchor setups and (ii) the approach is computationally efficient
enough to run on resource-constrained hardware. We demonstrate our approach on
a Crazyflie nano-quadcopter. Experimental results show that the proposed
localization framework, relying only on the onboard IMU and UWB, provides an
average of 42.08 percent localization error reduction (in three different
anchor setups) compared to the baseline approach without bias compensation. {We
also show autonomous trajectory tracking on a quadcopter using our UWB TDOA
localization approach.}
- 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、多くのロボティクスアプリケーションにとって重要な技術である。
ultra-wideband (uwb) time difference of arrival (tdoa)ベースのローカライゼーションは、多く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であり、特にリソースに制約のあるマルチロボットアプリケーションに適している。
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。
本稿では,(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を併用して,アウトレーヤの処理を行う,ロバストなUWB TDOAローカライゼーションフレームワークを提案する。
提案手法の主な特徴は, 学習バイアスが異なるUWBアンカーのセットアップに一般化され, (ii) 資源制約ハードウェア上での動作に十分な計算効率が得られたことである。
Crazyflieナノクワッドコプターのアプローチを実証します。
実験の結果, 提案手法は, imu と uwb にのみ依存しており, バイアス補償のないベースラインアプローチと比較して, 平均42.08パーセントのローカライズ誤差 (3つの異なるアンカー設定) を低減できることがわかった。
また、UWB TDOAローカライゼーション手法を用いて、クワッドコプター上での自律軌道追跡も行う。
関連論文リスト
- ULOC: Learning to Localize in Complex Large-Scale Environments with Ultra-Wideband Ranges [25.17925693293714]
我々はUWB(Ultra-Wideband)に基づくローカライゼーションのためのULOCという学習ベースのフレームワークを提案する。
まず、アンカーは実際の位置を知ることなく環境に展開される。
そこで我々は,複雑な大規模環境下でUWBの帯域幅パターンを学習するMAMBAに基づくネットワークを提案する。
論文 参考訳（メタデータ） (2024-09-17T12:20:46Z) - Error Mitigation for TDoA UWB Indoor Localization using Unsupervised Machine Learning [1.7301470496485454]
UWB(Ultra-wideband)技術に基づく屋内位置決めシステムは,cmレベルの位置決め精度を提供する能力で認識されている。
これらのシステムは、密集したマルチパスのフェーディングによって引き起こされる問題にしばしば遭遇し、位置決めエラーを引き起こす。
深層クラスタリングを用いたアンカーノード選択のための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-10T08:23:05Z) - DRAUC: An Instance-wise Distributionally Robust AUC Optimization
Framework [133.26230331320963]
ROC曲線のエリア(AUC)は、長い尾の分類のシナリオにおいて広く用いられている指標である。
本研究では,分散ロバストAUC(DRAUC)のインスタンスワイドサロゲート損失を提案し,その上に最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-11-06T12:15:57Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳（メタデータ） (2023-08-03T17:59:04Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳（メタデータ） (2022-02-01T20:27:46Z) - 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) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳（メタデータ） (2021-01-17T17:20:31Z) - 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) - Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous
Vehicles and Multi-Agent RL [63.52264764099532]
本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。
この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
論文 参考訳（メタデータ） (2020-10-30T22:06:05Z) - Learning-based Bias Correction for Ultra-wideband Localization of
Resource-constrained Mobile Robots [9.609597889226398]
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。
論文 参考訳（メタデータ） (2020-03-20T16:47:33Z)
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。