[논문 리뷰] Sensor Query Schedule and Sensor Noise Covariances for Accuracy-constrained Trajectory Estimation

Abhishek Goudar, Angela Schöllig|arXiv (Cornell University)|2026. 02. 18.

Robotic Path Planning Algorithms인용 수 0

한 줄 요약

본 논문은 SDP로 형식화된 재귀적 후방 Cramér-Rao 상한을 이용하여 주어진 궤도 추정 정확도를 만족시키기 위해 필요한 센서 질의 스케줄과 센서 노이즈 공분산을 계산하는 추정기 무관(Estimator-agnostic) 최적화를 제안한다.

ABSTRACT

Trajectory estimation involves determining the trajectory of a mobile robot by combining prior knowledge about its dynamic model with noisy observations of its state obtained using sensors. The accuracy of such a procedure is dictated by the system model fidelity and the sensor parameters, such as the accuracy of the sensor (as represented by its noise covariance) and the rate at which it can generate observations, referred to as the sensor query schedule. Intuitively, high-rate measurements from accurate sensors lead to accurate trajectory estimation. However, cost and resource constraints limit the sensor accuracy and its measurement rate. Our work's novel contribution is the estimation of sensor schedules and sensor covariances necessary to achieve a specific estimation accuracy. Concretely, we focus on estimating: (i) the rate or schedule with which a sensor of known covariance must generate measurements to achieve specific estimation accuracy, and alternatively, (ii) the sensor covariance necessary to achieve specific estimation accuracy for a given sensor update rate. We formulate the problem of estimating these sensor parameters as semidefinite programs, which can be solved by off-the-shelf solvers. We validate our approach in simulation and real experiments by showing that the sensor schedules and the sensor covariances calculated using our proposed method achieve the desired trajectory estimation accuracy. Our method also identifies scenarios where certain estimation accuracy is unachievable with the given system and sensor characteristics.

연구 동기 및 목표

• 실용적인 센서 제약(비용, 전력, 대역폭) 하에서 궤도 추정 정확도를 동기화한다.
• 주어진 RMSE 범위를 달성하는 데 필요한 센서 매개변수(일정 및 공분산)를 결정한다.
• 추정기 무관 최적화를 제공하여 원하는 정확도 달성 가능성을 밝힐 수 있다.
• 실험 시뮬레이션 및 실제 실험에서 접근법을 검증하고 실험에 사용된 코드를 공유한다.

제안 방법

• 비선형 동역학과 AWGN이 있는 궤도 추정을 형식화하고 PCRB를 MSE의 하한으로 사용한다.
• 효율적인 계산을 가능하게 하는 PCRB의 재귀 형태를 개발한다(식(7-9)).
• 정확도 요구사항을 인코딩하기 위한 볼록 쌍대 제약(Schur 보수)을 도입한다(식(13)).
• 센서 매개변수 식별을 일련의 SDPs로 구성한다(식(14)).
• 다음 두 문제에 적용한다: (i) 주어진 공분산에 대해 최대 센서 간 질의 간격 m_k(또는 최소화된 m_s)를 얻기, (ii) 주어진 일정에 대해 Tr(R_k^{-1})의 최소화.
• 화이트 노이즈 온 속도 모델과 표준 위치/거리 측정 모델을 사용하는 연속 시간 궤도 추정에 적용한다(섹션 VI).

Figure 3: Trajectory estimation results from simulation using position sensors (left) and range sensors (right) with different sensor query rates. Noise values for the position and the range sensors are $\sigma_{p}=0.08\,$\mathrm{m}$$ and $\sigma_{r}=0.08\,$\mathrm{m}$$ , respectively. The desired R

실험 결과

연구 질문

• RQ1 주어진 센서 공분산에 대해 목표 궤도 추정 정확도를 달성하는 센서 질의 일정을 어떻게 계산할 수 있는가?
• RQ2 주어진 질의 일정에 대해 목표 궤도 추정 정확도를 달성하기 위해 필요한 센서 노이즈 공분산을 어떻게 결정할 수 있는가?
• RQ3 PCRB 기반 SDP 프레임워크가 주어진 센서/시스템 모델 하에서 원하는 정확도 달성의 불가능성을 탐지할 수 있는가?
• RQ4 계산된 일정/공분산이 시뮬레이션 및 실제 로봇 실험에서 타당성을 입증하는가?

주요 결과

• 최적 센서 질의 속도(m_s)는 시뮬레이션 및 실제 실험에서 원하는 정확도 범위 내에 있는 RMSE를 달성한다.
• 다소 비최적의 더 낮은 질의 속도(예: m_s/3)는 정확도 범위를 벗어나 스케줄링 방법의 정확성을 입증한다.
• 프레임워크는 특정 센서/시스템 구성에서 불가능성을 식별한다.
• 제안된 일정 및 공분산 설계를 사용하여 위치 센서와 거리 센서 모두에서 추정기 성능을 실험으로 검증한다.
• 실험에 사용된 코드는 논문에서 언급된 대로 온라인에 공유된다.

Figure 4: Trajectory estimation results from simulation using position sensors (left) and range sensors (right) of proposed covariance, $\mathbf{R}$ (optimal cov.), and higher covariance, $\tilde{\mathbf{R}}=3\,\mathbf{R}$ (suboptimal cov.). The desired RMSE for a given accuracy value, $k_{a}$ , is