[论文解读] OPTILOD: Optimal Beacon Placement for High-Accuracy Indoor Localization of Drones

Alireza Famili, Angelos Stavrou+3 more|arXiv (Cornell University)|Jan 26, 2022

Robotics and Sensor-Based Localization被引用 4

一句话总结

OPTILOD 是一种进化优化算法，可确定实现高精度室内无人机定位所需的最少数量及最优三维信标位置。该算法联合最小化信标数量与几何精度稀释因子（GDOP），实现全 4 连通性覆盖，达到接近理论最优的信标数量，并显著降低复杂室内环境中的定位误差。

ABSTRACT

For many applications, drones are required to operate entirely or partially autonomously. To fly completely or partially on their own, drones need access to location services to get navigation commands. While using the Global Positioning System (GPS) is an obvious choice, GPS is not always available, can be spoofed or jammed, and is highly error-prone for indoor and underground environments. The ranging method using beacons is one of the popular methods for localization, specially for indoor environments. In general, localization error in this class is due to two factors: the ranging error and the error induced by the relative geometry between the beacons and the target object to localize. This paper proposes OPTILOD (Optimal Beacon Placement for High-Accuracy Indoor Localization of Drones), an optimization algorithm for the optimal placement of beacons deployed in three-dimensional indoor environments. OPTILOD leverages advances in Evolutionary Algorithms to compute the minimum number of beacons and their optimal placement to minimize the localization error. These problems belong to the Mixed Integer Programming (MIP) class and are both considered NP-Hard. Despite that, OPTILOD can provide multiple optimal beacon configurations that minimize the localization error and the number of deployed beacons concurrently and time efficiently.

研究动机与目标

• 解决在 GPS 信号缺失环境下实现精确室内无人机定位的挑战。
• 最小化在三维室内空间中实现全 4 连通性覆盖所需的信标数量。
• 降低因信标与无人机之间几何配置不佳导致的定位误差。
• 为两个 NP-难混合整数规划问题（最小信标数量与最优布局）提供可处理的解决方案。
• 实现在存在障碍物与信号遮挡的复杂室内环境中，成本低廉且高精度的无人机导航。

提出的方法

• OPTILOD 使用进化算法求解双目标优化问题：最小化信标数量与最小化 GDOP。
• 将室内环境建模为分段的三维空间，通过将障碍物和信号遮挡视为额外墙体来处理。
• 该算法确保飞行区域中每个点均与至少四个信标保持视距连接，以实现鲁棒定位。
• 采用两阶段流程：首先，利用几何约束计算信标数量的理论下限。
• 其次，使用进化搜索寻找能实现全覆盖且 GDOP 低于用户定义阈值的信标配置。
• GDOP 指标用于量化几何精度稀释因子，数值越低表示定位精度越高。

实验结果

研究问题

• RQ1 在任意三维室内环境中，实现全 4 连通性覆盖所需的最少信标数量是多少？
• RQ2 如何优化信标布局以最小化几何精度稀释因子（GDOP），从而降低定位误差？
• RQ3 进化算法能否高效求解三维室内空间中最小化信标数量与 GDOP 的联合 NP-难问题？
• RQ4 计算出的信标配置在保持低 GDOP 的同时，与信标数量的理论下限接近到何种程度？
• RQ5 在存在信号遮挡、多径效应和非视距条件等实际约束下，该算法表现如何？

主要发现

• OPTILOD 在多种不同室内环境中，始终实现信标数量等于或仅比理论最小值多一个的配置。
• 在 5m × 5m × 4m 的房间中，OPTILOD 找到了 17 个信标的配置，GDOP_avg 达到‘足够’水平，以及 18 个信标的配置，GDOP_avg 达到‘良好’水平，平均 GDOP 降低近 80%。
• 该算法能有效处理复杂布局中的障碍物，将其视为额外墙体并相应调整覆盖范围。
• 在所有测试场景中——包括办公室、会议室和大型走廊——OPTILOD 均生成接近理论信标最小值的解，并实现了低 GDOP 值。
• 双目标优化具有可处理性，尽管底层问题为 NP-难，该算法仍能在合理时间内生成高质量解。
• 结果表明，信标数量仅增加一个，即可显著提升定位精度，如 GDOP 从‘足够’水平降至‘良好’水平所示。