Error Decomposition for Hybrid Localization Systems

要約

将来の先進運転支援システムと自動運転車は正確な位置特定に依存しており、これは次の 3 つのクラスに分類できます: a) ローカル参照に関する視点の位置特定 (例: ビジョンベースの位置特定による)、b) グローバル参照システムに関する絶対的な位置特定 (例:
衛星ナビゲーション経由）、および c）前 2 つの組み合わせを示すハイブリッド ローカリゼーション。
ハイブリッド ローカリゼーションは、絶対ローカリゼーションと視点ローカリゼーションの両方の特性と長所を共有します。
ただし、不正確なセンサー設定の校正などの新たな誤差の原因が、それぞれのサブシステムの潜在的な誤差を補完します。
したがって、この文書では、ハイブリッド位置特定システムにおけるエラー原因を分析するための一般的なアプローチを紹介します。
より具体的には、我々は、位置特定誤差を個々の成分、すなわち測定された状態のパラメータ化された関数（例えば、エージェント運動学）の合計に分解することを可能にするKappa-Phi法を提案する。
その後、誤差成分を利用して、位置予測の改善、地図データの修正、センサー設定の調整などを行うことができます。
理論的な導出と評価により、このアルゴリズムがハイブリッド定位を改善し、システムの個々のコンポーネントの弱点に対抗するための有望なアプローチを提示することが示されています。

要約(オリジナル)

Future advanced driver assistance systems and autonomous vehicles rely on accurate localization, which can be divided into three classes: a) viewpoint localization about local references (e.g., via vision-based localization), b) absolute localization about a global reference system (e.g., via satellite navigation), and c) hybrid localization, which presents a combination of the former two. Hybrid localization shares characteristics and strengths of both absolute and viewpoint localization. However, new sources of error, such as inaccurate sensor-setup calibration, complement the potential errors of the respective sub-systems. Therefore, this paper introduces a general approach to analyzing error sources in hybrid localization systems. More specifically, we propose the Kappa-Phi method, which allows for the decomposition of localization errors into individual components, i.e., into a sum of parameterized functions of the measured state (e.g., agent kinematics). The error components can then be leveraged to, e.g., improve localization predictions, correct map data, or calibrate sensor setups. Theoretical derivations and evaluations show that the algorithm presents a promising approach to improve hybrid localization and counter the weaknesses of the system’s individual components.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google