[論文レビュー] An Evaluation of Bayesian Methods for Bathymetry-based Localization of Autonomous Underwater Robots

Jungseok Hong, Michael Fulton+1 more|arXiv (Cornell University)|Sep 21, 2018

Underwater Vehicles and Communication Systems参考文献 30被引用数 4

ひとこと要約

本稿では、低価格の深度および高度計センサーを用いた自律水中航行機器（AUV）の bathymetry に基づく局所化に、4つのベイジアンフィルタリング手法—拡張カルマンフィルタ（EKF）、アンスケンテッドカルマンフィルタ（UKF）、パーティクルフィルタ（PF）、マージナライズドパーティクルフィルタ（MPF）—を評価する。MPFは、多様な湖底地形および運動プロファイルにおいて、一貫して高い精度と計算効率を発揮する。

ABSTRACT

This paper presents an evaluation of a number of probabilistic algorithms for localization of autonomous underwater vehicles (AUVs) using bathymetry data. The algorithms, based on the principles of the Bayes filter, work by fusing bathymetry information with depth and altitude data from an AUV. Four different Bayes filter-based algorithms are used to design the localization algorithms: the Extended Kalman Filter (EKF), Unscented Kalman Filter (UKF), Particle Filter (PF), and Marginalized Particle Filter (MPF). We evaluate the performance of these four Bayesian bathymetry-based AUV localization approaches under variable conditions and available computational resources. The localization algorithms overcome unique challenges of the underwater domain, including visual distortion and radio frequency (RF) signal attenuation, which often make landmark-based localization infeasible. Evaluation results on real-world bathymetric data show the effectiveness of each algorithm under a variety of conditions, with the MPF being the most accurate.

研究の動機と目的

• GPS 無しの水中環境において、従来の RF やランドマークベースのシステムが不適切となるような状況で、正確で低コストの AUV 局所化を実現すること。
• bathymetry マップを事前知識として用いることで、ベイジアンフィルタリング手法の実用性と性能を評価すること。
• EKF、UKF、PF、MPF の4つのベイズフィルタベースのアルゴリズムを、異なる運動ダイナミクスおよび地形複雑性の下で比較すること。
• 湖底地形データが利用可能な内陸湖において、実運用に適した、最もロバストで効率的な局所化手法を同定すること。

提案手法

• 各 (x,y) 位置における水深を事前マップとして用い、水面から海床までの全水柱高さを表す。
• AUV の深度と海床からの高度を測定するため、深度センサーと単一ビームソナー高度計を用い、現在位置における全水柱高さの推定を可能にする。
• 4つのベイジアンフィルタリング手法を適用：ガウス分布を仮定するパラメトリックな状態推定に EKF と UKF を使用、非パラメトリックなパーティクルベース推定に PF を使用、MPF は KF と PF を組み合わせたラオ・ブラックウェルトハイブリッド手法で、計算効率を向上。
• リアルタイムの深度および高度測定値と bathymetry マップを融合することで、AUV の3次元位置 (x, y, z) を確率的推論により推定する。
• 測定値と予測値の水柱高さの差を、ベイズフィルタの測定モデルとして使用。
• 8つの実際のミネソタ州湖底地形マップを用い、線形および混合（非線形）運動ポリシーの下で性能を評価。

実験結果

リサーチクエスチョン

• RQ1 実際の湖環境において、bathymetry データと低価格センサーを用いた場合、EKF、UKF、PF、MPF の局所化精度はそれぞれどのように異なるか？
• RQ2 対称性、変動性、トポロジカル構造といった地形複雑性が、PF や MPF といったパーティクルベースのフィルタの性能に与える影響は何か？
• RQ3 現実の AUV 動作プロファイル下で、4つのベイジアンフィルタの計算コストとメモリ要件はどのように比較できるか？
• RQ4 MPF が PF や UKF よりも精度と効率に優れる条件は何か？
• RQ5 トランスponder やブイーコンフィグレーションなどの外部インfrastrucureが不要な低コストセンサーセット（深度センサーとソナー高度計）で、信頼性の高い高精度局所化が可能か？

主な発見

• マージナライズドパーティクルフィルタ（MPF）は、全湖および運動プロファイルにおいて最高の局所化精度を達成し、線形運動ケースではHoward湖で2.71 m、Turtle湖で2.75 mの中央誤差を示した。
• PF よりも低い計算コストを維持し、Howard湖で58.75 ms、Turtle湖で45.31 msの中央計算時間であった。これは PF の213.86 ms（Turtle）と比べて顕著に低い。
• パーティクルフィルタ（PF）は、地形変動が大きく非対称な湖で最も優れた性能を示したが、Nokomis湖のような対称性の高い湖では特徴が不明瞭なため発散し、失敗した。
• UKF は、PF や MPF よりも低い計算負荷で信頼性があり、中程度の精度を発揮し、処理能力が限られた AUV や主に線形運動を行うシステムに適している。
• EKF は全体として最悪の性能を示し、Howard湖で88.94 mの高誤差を示し、特に非線形運動シナリオでは一貫性のない結果となった。
• MPF は、線形および混合運動ケースの両方において、多様な地形条件下でも一貫して他の全フィルタを上回り、ロバストで信頼性の高い性能を示した。