[논문 리뷰] Learning-based Bias Correction for Ultra-wideband Localization of Resource-constrained Mobile Robots

Wenda Zhao, Abhishek Goudar외 2명|arXiv (Cornell University)|2020. 03. 20.

Indoor and Outdoor Localization Technologies참고 문헌 19인용 수 13

한 줄 요약

이 논문은 자원이 제한된 나노-쿼드코pter에서 초광대역(UWB) 위치 측정을 위한 경량이고 두 단계로 구성된 편향 보정 프레임워크를 제안한다. 이는 통계적 이상치 제거와 공간적으로 변하는 범위 편향을 딥 뉴럴 네트워크(DNN) 기반으로 보정하는 방식으로, TWR 기반으로는 위치 측정 오차를 18.5% 감소시키고, TDoA 기반으로는 48% 감소시켜 마이크로컨트롤러에 내장된 UWB 측정값만으로도 정확한 클로즈드-루프 궤도 추적을 가능하게 한다.

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.

연구 동기 및 목표

• 자원이 제한된 이동식 로봇, 특히 나노-쿼드코프터에서 정확하지 못하고 편향이 있는 UWB 범위 측정 문제를 해결하기 위해.
• 시스템적 편향과 비정상적인 측정값을 모두 보정할 수 있는 확장성 있고 차량 내 호환 가능한 방법을 개발하기 위해.
• 외부 시스템이나 고성능 하드웨어에 의존하지 않고도 실시간으로 실내에서 신뢰할 수 있는 위치 측정을 가능하게 하기 위해.
• 3차원 환경에서 자율 궤도 추적을 위한 클로즈드-루프 제어에서 이 방법의 효과성을 입증하기 위해.
• 학습 기반 편향 보정을 통해 TWR와 TDoA 기반 UWB 위치 측정 간의 성능 격차를 해소하기 위해.

제안 방법

• 프레임워크는 두 단계 과정을 사용한다: 첫째, 모델 기반 필터링과 가설 검증을 이용해 통계적 이상치 제거를 통해 비정상적인 측정값을 걸러낸다.
• 둘째, 딥 뉴럴 네트워크(DNN)가 TWR 및 TDoA UWB 측정값에서 발생하는 공간적으로 변하는, 자세에 따라 달라지는 편향을 학습하고 보정한다.
• DNN는 원시 UWB 웨이브폼이 필요 없이 안테나 복사 패턴과 다중 경로 효과로 인한 비선형 편향 패턴을 근사하도록 훈련된다.
• 전체 파이프라인은 나노-쿼드코프터의 마이크로컨트롤러에 구현되어 실시간 실행이 가능하며 최소한의 계산 오버헤드를 유도한다.
• 이상치 제거는 DNN 추론 이전에 적용되어 NLOS 및 다중 경로 오류에 대한 강건성을 향상시킨다.
• 지상 진동 측정 시스템(Vicon)을 활용해 참값을 확보하고, 클로즈드-루프 비행 실험을 통해 평가한다.

실험 결과

연구 질문

• RQ1 학습 기반 편향 보정 프레임워크는 자원이 제한된 로봇이 3차원 실내 환경에서 TDoA 기반 UWB 위치 측정 정확도를 향상시킬 수 있는가?
• RQ2 원시 웨이브폼에 접근할 수 없더라도 DNN가 공간적으로 변하는, 자세에 따라 달라지는 UWB 측정 편향을 얼마나 잘 모델링하고 보정할 수 있는가?
• RQ3 이상치 제거와 DNN 기반 편향 보정을 조합함으로써 나노-쿼드코프터에서의 클로즈드-루프 궤도 추적 성능은 어느 정도 향상되는가?
• RQ4 제안된 방법은 실제로 TWR와 TDoA 기반 UWB 위치 측정 간의 성능 격차를 줄이는가?
• RQ5 전체 보정 파이프라인은 맞춤형 하드웨어 없이 마이크로컨트롤러에서 실시간으로 배치 및 실행이 가능한가?

주요 결과

• 제안된 방법은 양방향 범위 측정(TWR)의 경우 루트 평균 제곱(RMS) 추정 오차를 약 18.5% 감소시키고, 도착 시간 차이(TDoA) 측정의 경우 48% 감소시킨다.
• 편향 보정 이후 TDoA 위치 측정의 평균 RMS 오차(0.21 m)는 TWR의 평균 RMS 오차(0.19 m)와 유사해져 두 모드 간의 성능 격차가 크게 좁혀졌다.
• DNN 기반 편향 보정은 수직 방향에서의 z축 변동성이 높은 궤도에서 더 큰 향상을 보이며, 수직 운동에 대한 강건성이 향상됨을 시사한다.
• 비행 실험 결과, 위치 오차를 줄여 안정적이고 안전한 이륙 및 착륙을 가능하게 하였으며 궤도 추적 성능이 향상됨을 확인하였다.
• 이상치 제거 및 DNN 추론을 포함한 전체 보정 파이프라인이 마이크로컨트롤러에서 실시간으로 실행되며 외부 계산 하드웨어 없이도 작동한다.
• 오직 UWB 측정값만을 사용함에도 불구하고 위치 측정 정확도가 향상되어 실내 환경에서 자율적인 클로즈드-루프 비행이 가능해졌다.