[論文レビュー] Review of Factor Graphs for Robust GNSS Applications

Shounak Das, Ryan J. Watson+1 more|arXiv (Cornell University)|Dec 14, 2021

Indoor and Outdoor Localization Technologies被引用数 10

ひとこと要約

この論文は、GNSS定位における要因グラフを、都市部環境における従来のEKF手法よりも優れたフレームワークとして評価し、反復的でスパースな最適化とロバストなコスト関数を用いてその優位性を示している。要因グラフは、過去および現在の観測を再重み付けすることで、 multipath誤差や外れ値の観測をより効果的に扱える。リアルタイム性能は、インクリメンタルスムージング（例：iSAM2）により達成可能である。

ABSTRACT

Factor graphs have recently emerged as an alternative solution method for GNSS positioning. In this article, we review how factor graphs are implemented in GNSS, some of their advantages over Kalman Filters, and their importance in making positioning solutions more robust to degraded measurements. We also talk about how factor graphs can be an important tool for the field radio-navigation community.

研究の動機と目的

• 挑戦的な環境におけるGNSS定位のための要因グラフと従来のカルマンフィルタリングの比較評価。
• 要因グラフが測定値の動的再重み付けを可能にすることで、multipathおよび外れ値に対する耐障害性をどのように向上させるかの実証。
• iSAM2のようなインクリメンタルスムージング手法が、要因グラフをリアルタイムGNSSアプリケーションに実用可能にする根拠の提示。
• GNSSおよび無線ナビゲーションにおける要因グラフの採用を提唱し、他のセンサーやオポチュニティ信号との統合を可能にする。
• GNSS観測における非ガウス分布誤差を低減するためのロバスト推定技術（例：GNC、M-推定）が要因グラフ内に果たす役割の強調。

提案手法

• 変数ノード（例：位置、時 clocks）と要因ノード（例：GNSS測定値）を持つ二部グラフとしてGNSS状態推定を最大事後確率（MAP）問題として定式化。
• 局所的な確率的制約の組み合わせとしてコスト関数を非線形最適化し、ガウス・ニュートン法またはレーベンバーグ・マーカート法を用いて解く。
• M-推定を用いてロバストコスト関数（例：Huber、Cauchy、Laplace）を適用し、GNSS測定値における外れ値およびmultipath誤差の影響を低減。
• 非凸なロバストコスト関数を最小化するための段階的非凸性（GNC）フレームワークを用い、局所的最小値を回避。問題を重み付き最小二乗法に再定式化。
• iSAM2とベイズツリー構造を用いたインクリメンタルスムージングを実装し、新しい測定値の後、関連するクリークのみを更新することでリアルタイム性能を維持。
• 情報行列およびヤコビ行列のスパarsityを活用し、効率的な行列分解とバックサブスティチューションを実現。これにより、スケーラブルな最適化が可能になる。

実験結果

リサーチクエスチョン

• RQ1 要因グラフ最適化は、都市部GNSS環境におけるEKFと比較して、位置決め精度および耐障害性においてどのように異なるか？
• RQ2 M-推定やGNCのようなロバスト推定技術をGNSS要因グラフに効果的に統合できるか？特にmultipathおよび測定外れ値の低減に有効か？
• RQ3 要因グラフ最適化のバッチ処理特性が、標準カルマンフィルタリングと比較して、エポック間の時間相関性をどの程度向上させるか？
• RQ4 iSAM2のようなインクリメンタルスムージング手法は、GNSS要因グラフにおいて過去の状態の再最適化を可能にしつつ、リアルタイム性能をどのように維持できるか？
• RQ5 要因グラフの採用が、他のセンサーやオポチュニティ信号（例：携帯基地局、LEO衛星）とのGNSS統合にどのような利点をもたらすか？

主な発見

• 要因グラフは、時間的相関をより効果的に活用し、非線形モデルの反復的再線形化を可能にすることで、都市部環境における標準EKFを上回る性能を発揮する。
• 要因グラフ内に適用されたロバストコスト関数（例：Huber、Cauchy）は、GNSS測定値におけるmultipath誤差および外れ値の影響を顕著に低減する。
• GNCとM-推定の統合により、局所的最小値を回避する反復的非凸最適化が可能となり、問題が重み付き最小二乗法フレームワークに変換される。
• iSAM2により、状態空間の一部のみを更新することでリアルタイム性能が達成され、高動的GNSSアプリケーションに適したインクリメンタルスムージングが実現可能となる。
• Googleスマートフォンデシメーターチャレンジの優勝ソリューションは要因グラフフレームワークを採用しており、実世界の多様な環境下での実用的優位性を実証した。
• 要因グラフは、過去の測定値の動的再重み付け、さらには後に外れ値と特定された場合の削除さえ可能にするが、これは標準カルマンフィルタリングでは不可能である。