[论文解读] Optimal Estimation of Sensor Biases for Asynchronous Multi-Sensor Registration.

Wenqiang Pu, Ya‐Feng Liu+3 more|arXiv (Cornell University)|Oct 8, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 20被引用 3

一句话总结

本文提出了一种非线性最小二乘法公式和一种块坐标下降（BCD）算法，仅使用一个以恒定速度运动的参考目标，即可在异步多传感器系统中估计传感器的范围和方位偏差。该方法交替求解线性最小二乘问题和半定规划（SDP），保证全局收敛，并在均方根误差（RMSE）方面显著优于现有方法。

ABSTRACT

An important step in the asynchronous multi-sensor registration problem is to estimate sensor range and azimuth biases from their noisy asynchronous measurements. The estimation problem is generally very challenging due to highly nonlinear transformation between the global and local coordinate systems as well as measurement asynchrony from different sensors. In this paper, we propose a novel nonlinear least square (LS) formulation for the problem by only assuming that a reference target moves with an unknown constant velocity. We also propose a block coordinate decent (BCD) optimization algorithm, with a judicious initialization, for solving the problem. The proposed BCD algorithm alternately updates the range and azimuth bias estimates by solving linear least square problems and semidefinite programs (SDPs). The proposed algorithm is guaranteed to find the global solution of the problem and the true biases in the noiseless case. Simulation results show that the proposed algorithm significantly outperforms the existing approaches in terms of the root mean square error (RMSE).

研究动机与目标

• 解决在具有非线性坐标变换的异步多传感器标定系统中估计传感器偏差的挑战。
• 克服测量异步性以及全局坐标系与局部坐标系之间高度非线性关系带来的困难。
• 开发一种仅需一个以未知恒定速度运动的参考目标的方法，最大限度减少外部假设。
• 在无噪声情况下保证全局收敛至真实偏差值，提升方法的鲁棒性和精度。
• 在估计精度方面优于现有方法，尤其在噪声环境中表现更优。

提出的方法

• 仅使用一个具有未知恒定速度的参考目标，将传感器偏差估计问题建模为非线性最小二乘优化问题。
• 采用块坐标下降（BCD）算法，交替更新范围偏差和方位偏差估计值，以提高收敛性和稳定性。
• 通过线性最小二乘子问题求解范围偏差估计值，实现高效且精确的更新。
• 通过半定规划（SDP）求解方位偏差估计值，确保每一步更新的凸性与全局最优性。
• 采用合理的初始化策略，提升BCD算法的收敛速度和可靠性。
• 在无噪声情况下保证全局解的恢复，为方法提供理论鲁棒性。

实验结果

研究问题

• RQ1 是否可以仅使用一个具有未知恒定速度的参考目标，在异步多传感器系统中准确估计传感器偏差？
• RQ2 在测量异步条件下，如何有效建模并求解全局坐标系与局部坐标系之间的非线性变换？
• RQ3 采用交替求解线性和半定规划子问题的块坐标下降算法，能否实现全局收敛并提升估计精度？
• RQ4 在噪声条件下，所提方法相较于现有方法在均方根误差（RMSE）方面有何性能提升？
• RQ5 在无噪声条件下，所提方法是否能保持精度和稳定性，确保偏差的精确恢复？

主要发现

• 所提出的BCD算法保证全局收敛，并在无噪声情况下恢复真实传感器偏差。
• 仿真研究结果表明，该方法显著降低了均方根误差（RMSE），优于现有方法。
• 采用半定规划（SDP）进行方位偏差估计，确保了子问题的凸性与每一步迭代的全局最优性。
• 该算法仅需一个以恒定速度运动的参考目标即可实现高精度估计，降低了对复杂校准装置的依赖。
• 线性最小二乘与SDP子问题的结合，使得在异步和非线性条件下能够实现高效且鲁棒的优化。
• 仿真结果证实，所提方法在估计精度和稳定性方面均优于现有技术。