Backpropagation-Based Analytical Derivatives of EKF Covariance for Active Sensing

要約

ロボットの状態推定の精度を高めるために、知覚認識 (またはアクティブ センシング) 手法は、不確実性を最小限に抑える軌道を求めます。
この目的のために、1 つの可能性は、拡張カルマン フィルター (EKF) の最終的な共分散を最小化する軌道を求めることです。
与えられた範囲にわたる制御入力。
ただし、これは計算量が多くなる可能性があります。
この記事では、EKF の最終共分散の導関数に対する新しいバックプロパゲーション解析式を導き出します。
その入力。
次に、得られた勾配を実現テクノロジーとして活用し、知覚を意識した最適な動作計画を導き出します。
シミュレーションによりアプローチを検証し、推定精度と実行時間の両方の改善を示します。
実際の大型地上車両での実験結果もこの方法を裏付けています。

要約(オリジナル)

To enhance accuracy of robot state estimation, perception-aware (or active sensing) methods seek trajectories that minimize uncertainty. To this aim, one possibility is to seek trajectories that minimize the final covariance of an extended Kalman filter (EKF), w.r.t. its control inputs over a given horizon. However, this can be computationally demanding. In this article, we derive novel backpropagation analytical formulas for the derivatives of the final covariance of an EKF w.r.t. its inputs. We then leverage the obtained gradients as an enabling technology to derive perception-aware optimal motion plans. Simulations validate the approach, showcasing improvements in both estimation accuracy and execution time. Experimental results on a real large ground vehicle also support the method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google