HDVIO: Improving Localization and Disturbance Estimation with Hybrid Dynamics VIO

要約

視覚慣性オドメトリ (VIO) は、搭載センサーのみを使用して自律型超小型航空機の状態を推定するための最も一般的なアプローチです。
既存の方法では、推定パイプラインにダイナミクス モデルを含めることで VIO のパフォーマンスを向上させます。
ただし、このような方法は、忠実度の低い車両モデルや風などの継続的な外乱が存在すると性能が低下します。
私たちが提案した手法である HDVIO は、点質量車両モデルと複雑な空力効果を捉える学習ベースのコンポーネントを組み合わせたハイブリッド ダイナミクス モデルを使用することで、これらの制限を克服します。
HDVIO は、実際の動きとハイブリッド ダイナミクス モデルの予測された動きの間の差異を利用して、外力とロボット全体の状態を推定します。
当社のハイブリッド ダイナミクス モデルは、推力と IMU 測定の履歴を使用して車両ダイナミクスを予測します。
私たちの手法のパフォーマンスを実証するために、公開されているドローン ダイナミクス データセットと新しいドローン ダイナミクス データセットの両方に関する結果を提示し、最大 25 km/h の強風下で飛行するクアッドローターの実世界の実験を示します。
結果は、私たちのアプローチが最新技術と比較して、動きと外力の推定をそれぞれ最大 33% と最大 40% 改善することを示しています。
さらに、既存の方法とは異なり、車両の完全な状態についての明示的な知識がなくても、車両のダイナミクスを正確に予測できることを示します。

要約(オリジナル)

Visual-inertial odometry (VIO) is the most common approach for estimating the state of autonomous micro aerial vehicles using only onboard sensors. Existing methods improve VIO performance by including a dynamics model in the estimation pipeline. However, such methods degrade in the presence of low-fidelity vehicle models and continuous external disturbances, such as wind. Our proposed method, HDVIO, overcomes these limitations by using a hybrid dynamics model that combines a point-mass vehicle model with a learning-based component that captures complex aerodynamic effects. HDVIO estimates the external force and the full robot state by leveraging the discrepancy between the actual motion and the predicted motion of the hybrid dynamics model. Our hybrid dynamics model uses a history of thrust and IMU measurements to predict the vehicle dynamics. To demonstrate the performance of our method, we present results on both public and novel drone dynamics datasets and show real-world experiments of a quadrotor flying in strong winds up to 25 km/h. The results show that our approach improves the motion and external force estimation compared to the state-of-the-art by up to 33% and 40%, respectively. Furthermore, differently from existing methods, we show that it is possible to predict the vehicle dynamics accurately while having no explicit knowledge of its full state.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google