[論文レビュー] Sensor Query Schedule and Sensor Noise Covariances for Accuracy-constrained Trajectory Estimation

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

Robotic Path Planning Algorithms被引用数 0

ひとこと要約

この論文は、指定された軌道推定精度を満たすために必要なセンサ照会スケジュールとセンサノイズ共分散を推定量に依存しない最適化として再帰的後方Cramér-Rao境界をSDPとして定式化する。

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.

研究の動機と目的

• 実用的なセンサ制約（コスト、電力、帯域幅）下での軌道推定精度を動機づける。
• 指定されたRMSE包絡を達成するために必要なセンサパラメータ（スケジュールと共分散）を決定する。
• 推定量に依存しない最適化を提供し、所望の精度を達成可能かを明らかにする。
• 実験のコードを共有しつつ、シミュレーションと実験でアプローチを検証する。

提案手法

• 非線形ダイナミクスと白色ガウスノイズを含む軌道推定を定式化し、PCRBをMSEの下限として用いる。
• 計算効率化のためにPCRBの再帰形を開発する（式7-9）。
• 精度要件をエンコードする凸円錐制約（ショア補数）を課す（式13）。
• センサパラメータ同定を一連のSDPとして定式化する（式14）。
• 2つの問題に適用する： (i) 与えられた共分散でセンサ間照会時間m_kを最大化する（またはm_sを最小化する）、(ii) 与えられたスケジュールでTr R_k^{-1}の跡を最小化する。
• continuous-time trajectory estimation with a white-noise-on-velocity model and standard position/range measurement models（セクションVI）を適用する。

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

実験結果

リサーチクエスチョン

• RQ1 センサ照会スケジュールを計算して、与えられたセンサ共分散でターゲット軌道推定精度を達成できるか？
• RQ2 与えられた照会スケジュールで、ターゲット軌道推定精度を達成するために必要なセンサノイズ共分散を決定できるか？
• RQ3 PCRBベースのSDPフレームワークは、所望の精度を与えられたセンサ・システムモデル下で実現不能を検出できるか？
• RQ4 計算されたスケジュール/共分散はシミュレーションおよび実機ロボット実験で検証されるか？

主な発見

• 最適なセンサ照会レート（m_s）は、シミュレーションおよび実験で目的の精度包絡以下のRMSEを達成する。
• 下位の照会レート（例：m_s/3）は精度包絡を越え、スケジューリング手法の正しさを示す。
• フレームワークは特定のセンサ/システム構成下で実現不能を検出する。
• 提案されたスケジューリングと共分散設計を用いた位置センサおよび距離センサの推定器性能を実験で検証。
• 実験で用いられたコードはオンラインで共有されている（論文に記載のとおり）。

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