[论文解读] Learning-based Bias Correction for Ultra-wideband Localization of Resource-constrained Mobile Robots

Wenda Zhao, Abhishek Goudar+2 more|arXiv (Cornell University)|Mar 20, 2020

Indoor and Outdoor Localization Technologies参考文献 19被引用 13

一句话总结

本文提出了一种轻量级、两步法偏差校正框架，用于在资源受限的纳米四旋翼飞行器上进行超宽带（UWB）定位，结合统计异常值剔除与基于深度神经网络（DNN）的空间变化范围偏差校正。该方法在TWR模式下将定位误差降低18.5%，在TDoA模式下降低48%，仅依赖机载微控制器上的UWB测量即可实现精确的闭环轨迹跟踪。

ABSTRACT

Accurate indoor localization is a crucial enabling technology for many robotics applications, from warehouse management to monitoring tasks. Ultra-wideband (UWB) ranging is a promising solution which is low-cost, lightweight, and computationally inexpensive compared to alternative state-of-the-art approaches such as simultaneous localization and mapping, making it especially suited for resource-constrained aerial robots. Many commercially-available ultra-wideband radios, however, provide inaccurate, biased range measurements. In this article, we propose a bias correction framework compatible with both two-way ranging and time difference of arrival ultra-wideband localization. Our method comprises of two steps: (i) statistical outlier rejection and (ii) a learning-based bias correction. This approach is scalable and frugal enough to be deployed on-board a nano-quadcopter's microcontroller. Previous research mostly focused on two-way ranging bias correction and has not been implemented in closed-loop nor using resource-constrained robots. Experimental results show that, using our approach, the localization error is reduced by ~18.5% and 48% (for TWR and TDoA, respectively), and a quadcopter can accurately track trajectories with position information from UWB only.

研究动机与目标

• 解决资源受限移动机器人（尤其是纳米四旋翼飞行器）在UWB测距中存在不准确、有偏置测量的挑战。
• 开发一种可扩展、适用于机载部署的方法，以校正UWB测距中的系统性偏差和异常测量值。
• 仅使用UWB实现可靠、实时的室内定位，无需依赖外部系统或高算力硬件。
• 在三维环境中展示该方法在闭环控制中实现自主轨迹跟踪的有效性。
• 通过基于学习的偏差补偿，弥合TWR与TDoA模式下UWB定位性能之间的差距。

提出的方法

• 该框架采用两步流程：首先，利用基于模型的滤波与假设检验进行统计异常值剔除，以过滤异常测量值。
• 其次，深度神经网络（DNN）学习并校正TWR与TDoA模式下UWB测量中的空间变化、与姿态相关的偏差。
• DNN在无需原始UWB波形的情况下，学习并逼近由天线辐射图样和多径效应引起的非线性偏差模式。
• 整个处理流程均在纳米四旋翼飞行器的微控制器上实现，确保低计算开销下的实时执行。
• 在DNN推理前应用异常值剔除，以提升对非视 Line-of-Sight（NLOS）和多径误差的鲁棒性。
• 通过Vicon动作捕捉系统获取真实值，并在闭环飞行实验中对方法进行测试。

实验结果

研究问题

• RQ1 基于学习的偏差校正框架能否提升资源受限机器人在三维室内环境中基于TDoA的UWB定位精度？
• RQ2 DNN在无原始波形访问的情况下，对空间变化、与姿态相关的UWB测量偏差建模与补偿的有效性如何？
• RQ3 将异常值剔除与基于DNN的偏差校正相结合，能在多大程度上提升纳米四旋翼飞行器的闭环轨迹跟踪性能？
• RQ4 该方法在实际应用中是否能缩小TWR与TDoA模式下UWB定位性能的差距？
• RQ5 整个校正流水线是否可实现在无定制硬件的微控制器上实时部署与执行？

主要发现

• 所提方法使两步测距（TWR）的均方根（RMS）估计误差降低约18.5%，TDoA测量的RMS误差降低48%。
• 偏差校正后，TDoA定位的平均RMS误差（0.21 m）与TWR（0.19 m）相当，显著缩小了两种模式之间的性能差距。
• 基于DNN的偏差校正对z轴方向位置方差较大的轨迹提升更明显，表明在垂直运动中具有更强的鲁棒性。
• 飞行实验表明，该方法通过降低位置误差并改善轨迹跟踪，实现了稳定、安全的起飞与降落。
• 整个校正流水线（包括异常值剔除与DNN推理）可在纳米四旋翼飞行器的微控制器上实时运行，无需外部计算硬件。
• 即使仅使用UWB测量，该方法仍能实现更高的定位精度，从而在室内环境中实现自主闭环飞行。