[论文解读] Source localization using particle filtering on FPGA for robotic navigation with imprecise binary measurement

Adithya Krishna, André van Schaik+1 more|arXiv (Cornell University)|Oct 22, 2020

Target Tracking and Data Fusion in Sensor Networks被引用 5

一句话总结

本文提出了一种基于FPGA的高速粒子滤波架构，用于在机器人导航中使用不精确的二值测量实现实时源定位。通过修改标准SIR粒子滤波算法，使其能够跨多个子滤波器实现并行化，并采用流水线技术，该设计实现了1024个粒子的5.62 μs执行时间，支持178 kHz的采样率，并在噪声大、非线性的环境中表现出稳健性能，估计误差极低。

ABSTRACT

Particle filtering is a recursive Bayesian estimation technique that has gained popularity recently for tracking and localization applications. It uses Monte Carlo simulation and has proven to be a very reliable technique to model non-Gaussian and non-linear elements of physical systems. Particle filters outperform various other traditional filters like Kalman filters in non-Gaussian and non-linear settings due to their non-analytical and non-parametric nature. However, a significant drawback of particle filters is their computational complexity, which inhibits their use in real-time applications with conventional CPU or DSP based implementation schemes. This paper proposes a modification to the existing particle filter algorithm and presents a highspeed and dedicated hardware architecture. The architecture incorporates pipelining and parallelization in the design to reduce execution time considerably. The design is validated for a source localization problem wherein we estimate the position of a source in real-time using the particle filter algorithm implemented on hardware. The validation setup relies on an Unmanned Ground Vehicle (UGV) with a photodiode housing on top to sense and localize a light source. We have prototyped the design using Artix-7 field-programmable gate array (FPGA), and resource utilization for the proposed system is presented. Further, we show the execution time and estimation accuracy of the high-speed architecture and observe a significant reduction in computational time. Our implementation of particle filters on FPGA is scalable and modular, with a low execution time of about 5.62 us for processing 1024 particles and can be deployed for real-time applications.

研究动机与目标

• 为了在使用噪声二值传感器测量的机器人系统中实现实时源定位。
• 通过硬件加速克服粒子滤波在实时应用中的计算瓶颈。
• 设计一种可扩展、模块化且低延迟的FPGA架构，支持粒子滤波步骤的并行与流水线执行。
• 在UGV平台上通过基于光电二极管的光源传感验证系统，用于自主导航。
• 将2D定位框架扩展至使用无人机和更多传感器的3D源跟踪。

提出的方法

• 提出一种改进的SIR粒子滤波算法，通过在多个子滤波器之间引入粒子路由机制，使重采样步骤可并行化。
• 该架构使用8个独立的子滤波器，同时执行采样、重要性加权和重采样，显著降低整体执行时间。
• 在滤波器阶段之间应用流水线技术，以提高吞吐量并支持高输入采样率。
• 在Artix-7 FPGA上实现该设计，并报告资源利用率和性能指标，以验证其可扩展性和实时可行性。
• 为光电二极管的二值测量量身定制重要性函数，建模在噪声下的检测概率。
• 3D扩展版本使用16个传感器和包含x、y、z位置的3D状态空间模型，采用相同的算法框架。

实验结果

研究问题

• RQ1 能否通过算法改进使粒子滤波算法具备并行化能力，从而克服实时系统中重采样步骤的瓶颈？
• RQ2 在机器人导航场景下，基于FPGA的粒子滤波器处理1024个粒子时，可实现的执行时间和采样率是多少？
• RQ3 在噪声二值测量条件下，所提出的硬件优化粒子滤波器的估计精度与标准SIR滤波器相比如何？
• RQ4 所提出的架构能否在性能损耗最小的情况下扩展至3D源定位？
• RQ5 在实现超低延迟的同时，该硬件设计在多大程度上保持了估计精度？

主要发现

• 所提出的FPGA架构在处理1024个粒子时，总执行时间为5.62 μs，对应178 kHz的采样率。
• 2D定位中的估计误差与标准SIR滤波器相当，尽管进行了算法修改，但精度未出现显著下降。
• 使用16个传感器和512个粒子的3D源定位模型，在350个时间步长内平均估计误差为0.82 m，证明了在3D空间中的可行性。
• 该架构具有可扩展性和模块化特性，设计复杂度低，适用于实时机器人导航系统的部署。
• 与以往基于FPGA的粒子滤波设计相比，该实现的执行时间更短，吞吐量更高。
• 系统对高噪声水平具有鲁棒性，在仅使用二值噪声传感器输入的情况下仍能保持精确的源定位。