[논문 리뷰] Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion

Nivand Khosravi, Niusha Khosravi외 2명|University of Birmingham Research Portal (University of Birmingham)|2026. 03. 12.

Robotics and Sensor-Based Localization인용 수 0

한 줄 요약

논문은 GPS-denied 환경에서 두 대의 비정구 로봇에 대한 분산 EKF 프레임워크를 제안하여 비동기 센서 융합, 교차 공분산 유지, 그리고 두 가지 랜드마크(정적 특징과 동적 로봇) 활용으로 중앙집중식 방법에 비해 위치 추정 정확도를 향상합니다.

ABSTRACT

Decentralized cooperative localization (DCL) is a promising approach for nonholonomic mobile robots operating in GPS-denied environments with limited communication infrastructure. This paper presents a DCL framework in which each robot performs localization locally using an Extended Kalman Filter, while sharing measurement information during update stages only when communication links are available and companion robots are successfully detected by LiDAR. The framework preserves cross-correlation consistency among robot state estimates while handling asynchronous sensor data with heterogeneous sampling rates and accommodating accelerations during dynamic maneuvers. Unlike methods that require pre-aligned coordinate systems, the proposed approach allows robots to initialize with arbitrary reference-frame orientations and achieves automatic alignment through transformation matrices in both the prediction and update stages. To improve robustness in feature-sparse environments, we introduce a dual-landmark evaluation framework that exploits both static environmental features and mobile robots as dynamic landmarks. The proposed framework enables reliable detection and feature extraction during sharp turns, while prediction accuracy is improved through information sharing from mutual observations. Experimental results in both Gazebo simulation and real-world basement environments show that DCL outperforms centralized cooperative localization (CCL), achieving a 34% reduction in RMSE, while the dual-landmark variant yields an improvement of 56%. These results demonstrate the applicability of DCL to challenging domains such as enclosed spaces, underwater environments, and feature-sparse terrains where conventional localization methods are ineffective.

연구 동기 및 목표

• GPS-denied 환경에서 분산 협력 위치추정(DCL)으로 온라인에서 교차 공분산 일관성 유지.
• 전역 좌표 정렬 없이 이질적 속도로 오는 비동기 센서 데이터 처리.
• 정적 특징과 동적 로봇을 연계한 이중 랜드마크 전략으로 특징이 드문 환경에서 관측 가능성 향상.
• 시뮬레이션 및 실제 실험에서 간헐적 통신 및 비정합 운동 하의 강건성 및 대역폭 효율성 시연.

제안 방법

• Mutual observations에서 이벤트 트리거된 compact information exchange를 통해 전체 교차 공분산을 보존하는 분산 EKF.
• 임의 프레임 정렬을 가능케 하는 변환 행렬을 모델에 내재화한 측정 모델.
• ROS message_filters를 사용한 timestamp 기반 버퍼링으로 6 Hz 주행 및 10 Hz LiDAR 데이터를 비동기적으로 융합.
• 적응적 Breakpoint Detector(ABD)를 이용한 강건한 LiDAR 분할 및 랜드마크 추출.
• 정적 랜드마크를 로봇 1이 관찰하고 로봇 2를 동적 랜드마크로 활용하는 이중 랜드마크 전략으로 특징이 드문 환경에서 지속적 관측 가능성 확보.
• 간헐적 통신 하에서 DCL, DCL-LM, CCL, 그리고 데드 레코닝을 비교하는 Gazebo 시뮬레이션 및 지하실 실험을 통한 검증.

실험 결과

연구 질문

• RQ1 분산형 EKF가 상호 관찰에서 정보 교환만으로 교차 공분산 일관성을 유지할 수 있는가?
• RQ2 변환 인식 측정으로 비동기 센서 융합이 글로벌 프레임 정렬 없이도 추정 정확도를 유지하는가?
• RQ3 이중 랜드마크 접근법이 특징이 드문 환경에서 관측 가능성을 개선하고 단일 측정 전략에 비해 드리프트를 감소시키는가?
• RQ4 현실적인 통신 저하 시나리오에서 DCL이 중앙 집중식 협력 위치추정과 비교해 어떻게 되는가?

주요 결과

로봇	지표	방법	DCL	DCL-LM	CCL	DR
Robot 1	RMSE X (m)		0.037	0.025	0.056	0.152
Robot 1	RMSE Y (m)		0.053	0.031	0.070	0.181
Robot 1	Var X (m^2)		0.0054	0.0029	0.0178	0.0927
Robot 1	Var Y (m^2)		0.0149	0.0041	0.0349	0.1338
Robot 1	Max Err X (m)		0.087	0.056	0.129	0.268
Robot 1	Max Err Y (m)		0.132	0.092	0.196	0.528
Robot 2	RMSE X (m)		0.041	0.024	0.062	0.125
Robot 2	RMSE Y (m)		0.056	0.045	0.075	0.298
Robot 2	Var X (m^2)		0.0063	0.0026	0.0184	0.0885
Robot 2	Var Y (m^2)		0.0112	0.0050	0.0386	0.3050
Robot 2	Max Err X (m)		0.098	0.058	0.128	0.253
Robot 2	Max Err Y (m)		0.162	0.119	0.201	0.559

• DCL은 중앙 집중식 협력 위치추정(CCL) 대비 RMSE를 34% 감소시킨다.
• 이중 랜드마크(DCL-LM)는 CCL 대비 RMSE를 최대 56%까지 개선한다.
• 실세계 지하실 실험에서 두 DCL 변형은 중앙집중식 및 데드 레코닝 벤치마크를 여러 지표에서 능가했다.
• 정적 특징이 있을 때 DCL-LM이 가장 높은 정확도를 제공하고, 맵 특징이 희박할 때는 DCL이 여전히 유리하다.
• 프레임워크는 간헐적 가시성 및 연결성 하에서도 점진적으로 악화되며, 상호 관찰 중에 온보드에서 시의적절한 보정이 이루어진다.