Enhancing State Estimation in Robots: A Data-Driven Approach with Differentiable Ensemble Kalman Filters

要約

この論文では、微分可能アンサンブル カルマン フィルター (DEnKF) を使用したロボットの新しい状態推定フレームワークを紹介します。
DEnKF は、確率的ニューラル ネットワークを使用してプロセス ノイズを暗黙的にモデル化する、従来のアンサンブル カルマン フィルターを再定式化したものです。
私たちの研究は、微分可能なフィルターに関する以前の研究の延長であり、モジュール式のエンドツーエンドの微分可能なフレームワークに強力な基盤を提供しました。
このフレームワークにより、システムの各コンポーネントが独立して機能できるようになり、実装の柔軟性と汎用性が向上します。
一連の実験を通じて、視覚的なオドメトリやロボット操作など、現実世界のさまざまな追跡タスクにわたってこのモデルの柔軟性を実証しました。
さらに、私たちのモデルはノイズのある観測値を効果的に処理し、観測値が存在しない場合でも堅牢であり、誤差メトリクスの点で最先端の微分可能フィルターよりも優れていることを示します。
具体的には、ノイズの多い観測で DEnKF を使用すると、翻訳誤差が少なくとも 59% 大幅に改善されることが観察されます。
私たちの結果は、ロボット工学の状態推定を進める上での DEnKF の可能性を強調しています。
DEnKF のコードは https://github.com/ir-lab/DEnKF で入手できます。

要約(オリジナル)

This paper introduces a novel state estimation framework for robots using differentiable ensemble Kalman filters (DEnKF). DEnKF is a reformulation of the traditional ensemble Kalman filter that employs stochastic neural networks to model the process noise implicitly. Our work is an extension of previous research on differentiable filters, which has provided a strong foundation for our modular and end-to-end differentiable framework. This framework enables each component of the system to function independently, leading to improved flexibility and versatility in implementation. Through a series of experiments, we demonstrate the flexibility of this model across a diverse set of real-world tracking tasks, including visual odometry and robot manipulation. Moreover, we show that our model effectively handles noisy observations, is robust in the absence of observations, and outperforms state-of-the-art differentiable filters in terms of error metrics. Specifically, we observe a significant improvement of at least 59% in translational error when using DEnKF with noisy observations. Our results underscore the potential of DEnKF in advancing state estimation for robotics. Code for DEnKF is available at https://github.com/ir-lab/DEnKF

arxiv情報

提供元, 利用サービス

arxiv.jp, Google