[论文解读] A partially decentralized EKF scheme for cooperative localization over unreliable communication links.

Solmaz S. Kia, Sonia Martı́nez|arXiv (Cornell University)|Aug 1, 2016

Indoor and Outdoor Localization Technologies参考文献 18被引用 3

一句话总结

本文提出了一种部分去中心化的扩展卡尔曼滤波（EKF）方法，用于在资源受限的多机器人系统中实现协同定位。机器人独立维护自身的状态估计，并仅在测量更新时与中心单元通信，从而将每台机器人的计算成本降低至与团队规模无关的 O(1)。该方案在系统为线性时可保证最小方差估计，在非线性情况下提供次优但稳定的解。

ABSTRACT

This paper reports a partially decentralized implementation of an Extended Kalman filter for the cooperative localization of a team of mobile robots with limited onboard resources. Unlike a fully centralized scheme that requires, at each timestep, information from the entire team to be gathered together and be processed by a single device, our algorithm only requires that the robots communicate with a central command unit at the time of a measurement update. Every robot only needs to propagate and update its own state estimate, while the central command unit maintains track of cross-covariances. Therefore, the computational and storage cost per robot in terms of the size of the team is of order O(1). Moreover, when the system model is linear the algorithm is robust to occasional in-network communication link failures while the updated estimates of the robots receiving the update message are of minimum variance at that given timestep. For problems with nonlinear robot models, our algorithm under message drop-out provides a suboptimal solutions because of the linearization approximation similar to the Extended Kalman filter model. We demonstrate the performance of the algorithm in simulation.

研究动机与目标

• 解决全集中式EKF方案在多机器人协同定位中带来的高计算与通信负担。
• 通过与团队规模无关的O(1)方式，降低每台机器人的计算与存储成本。
• 在通信链路不可靠的情况下实现鲁棒的定位，尤其针对线性系统模型。
• 为资源受限的移动机器人提供可扩展的协同定位解决方案。
• 通过集中式交叉协方差管理方法，在间歇性消息丢失情况下仍保持估计精度。

提出的方法

• 实现一种部分去中心化的EKF，其中每台机器人独立传播并更新自身的状态估计。
• 使用中心控制单元维护并更新所有机器人之间的交叉协方差，从而减少每台机器人的计算负担。
• 仅在测量更新时刻进行完整通信，最大限度减少对单个机器人带宽与处理负载的影响。
• 在非线性系统模型中，通过扩展卡尔曼滤波框架进行线性化处理。
• 当系统模型为线性时，确保在消息丢失情况下更新后的估计仍为最小方差。
• 采用集中式融合机制整合机器人状态估计，同时在理想线性情况下保持估计最优性。

实验结果

研究问题

• RQ1 部分去中心化的EKF是否能在保持估计精度的同时，将每台机器人的计算与存储成本降低至与团队规模无关的O(1)？
• RQ2 该算法在间歇性通信链路故障下表现如何，特别是在线性系统模型中？
• RQ3 线性化误差对非线性机器人运动与测量模型中估计性能有何影响？
• RQ4 中心控制单元是否能够维持交叉协方差信息，以确保团队内状态估计的一致性？
• RQ5 在仍能提供线性系统中最小方差估计的前提下，该方案是否对消息丢失具有鲁棒性？

主要发现

• 该算法实现了与团队规模无关的O(1)每机器人计算与存储成本，显著降低了资源需求。
• 在线性系统模型中，即使在偶尔发生通信链路故障的情况下，该算法仍能提供最小方差估计。
• 对于非线性模型，由于线性化误差的存在，算法提供次优解，与标准EKF表现相似。
• 中心控制单元成功维持了交叉协方差信息，实现了团队内一致的状态估计。
• 仿真结果表明，在真实通信约束下，该算法表现出稳定且准确的协同定位性能。
• 该方案具备可扩展性，适用于在处理与内存资源有限的移动机器人上部署。