[论文解读] Simultaneous Trajectory Estimation and Mapping for Autonomous Underwater Proximity Operations

Aldo Terán Espinoza, Antonio Terán Espinoza+4 more|arXiv (Cornell University)|Sep 15, 2023

Underwater Vehicles and Communication SystemsEngineering被引用 3

一句话总结

本文提出了一种基于因子图的SLAM框架，用于自主水下航行器（AUVs），以在近距离操作期间同时估计其轨迹和主动目标的运动，利用相对USBL测量值和惯性传感器。该方法在原始测量值的基础上实现了更高的状态估计精度，即使在对抗性目标动力学下也表现良好，但性能受限于未建模的噪声和严格的运动假设。

ABSTRACT

Due to the challenges regarding the limits of their endurance and autonomous capabilities, underwater docking for autonomous underwater vehicles (AUVs) has become a topic of interest for many academic and commercial applications. Herein, we take on the problem of state estimation during an autonomous underwater docking mission. Docking operations typically involve only two actors, a chaser and a target. We leverage the similarities to proximity operations (prox-ops) from spacecraft robotic missions to frame the diverse docking scenarios with a set of phases the chaser undergoes on the way to its target. We use factor graphs to generalize the underlying estimation problem for arbitrary underwater prox-ops. To showcase our framework, we use this factor graph approach to model an underwater homing scenario with an active target as a Simultaneous Localization and Mapping problem. Using basic AUV navigation sensors, relative Ultra-short Baseline measurements, and the assumption of constant dynamics for the target, we derive factors that constrain the chaser's state and the position and trajectory of the target. We detail our front- and back-end software implementation using open-source software and libraries, and verify its performance with both simulated and field experiments. Obtained results show an overall increase in performance against the unprocessed measurements, regardless of the presence of an adversarial target whose dynamics void the modeled assumptions. However, challenges with unmodeled noise parameters and stringent target motion assumptions shed light on limitations that must be addressed to enhance the accuracy and consistency of the proposed approach.

研究动机与目标

• 为解决自主水下对接中主动目标的挑战，即必须实时估计追踪器和目标的状态。
• 将航天器近距离操作的概念扩展至水下AUV任务，将对接视为一系列动态阶段。
• 开发一种统一的SLAM公式，通过最少的传感器数据联合估计AUV位姿和目标轨迹。
• 通过仿真和真实环境实验验证该方法在现实且具有挑战性的条件下的性能。
• 识别由于未建模噪声和刚性运动假设导致的精度限制。

提出的方法

• 该框架使用因子图建模问题，将AUV和目标状态表示为变量，传感器约束表示为因子。
• 运动模型因子在时间步之间对目标施加恒定速度和航向，使用带有状态转移方程的动力学模型。
• 相对USBL测量值提供追踪器与目标之间的距离和方位约束，构成关键观测因子。
• 深度因子利用压力传感器数据约束AUV的垂直位置，其雅可比矩阵基于SE(3)流形推导以实现位姿更新。
• 非线性优化通过开源库实现，采用SO(3)和SE(3)上的指数映射进行增量更新。
• 后端使用高斯-牛顿求解器最小化因子图代价函数，联合优化追踪器和目标轨迹。

实验结果

研究问题

• RQ1 如何设计一种统一的SLAM框架，以在水下近距离操作期间同时估计AUV的轨迹和主动目标的运动？
• RQ2 哪些传感器模态和因子图组件足以在最少机载仪器配置下实现鲁棒的状态估计？
• RQ3 当目标表现出违反恒定速度模型假设的对抗性运动时，所提出的方法性能如何？
• RQ4 估计流程中的主要误差源和不一致性是什么，特别是在真实世界噪声和建模偏差下？
• RQ5 该框架在轨迹精度和收敛性方面相较于未经处理的原始测量值，其性能提升程度如何？

主要发现

• 所提出的SLAM框架在仿真和实地实验中均显著提升了轨迹估计精度，优于未经处理的USBL测量值。
• 即使目标表现出违反恒定速度假设的对抗性运动，该方法仍保持鲁棒性能。
• 基于压力传感器数据的深度因子有助于实现稳定的垂直状态估计，尽管其雅可比矩阵依赖于AUV的偏航和俯仰角。
• 由于未建模的噪声参数和对目标动力学的过度严格假设，性能出现下降。
• 使用开源工具的实现展示了其在真实AUV部署中的可行性与可扩展性。