Sequential Gaussian Variational Inference for Nonlinear State Estimation and Its Application in Robot Navigation

要約

確率的状態推定は、不確実な環境を移動するロボットにとって不可欠です。
推定された状態の不確実性を正確かつ効率的に管理することが、堅牢なロボット操作の鍵となります。
ただし、ロボット プラットフォームの非線形性は、高度な推定技術を必要とする重大な課題を引き起こします。
ガウス変分推論 (GVI) は、推定問題に最適化の観点を提供し、ガウス空間の幾何学形状から得られる分析的に扱いやすいソリューションと効率を提供します。
非線形性に対処し、効率的な逐次推論プロセスを提供するために、逐次ガウス変分推論 (S-GVI) 手法を提案します。
私たちのアプローチは、逐次ベイジアン原則を GVI フレームワークに統合し、情報ジオメトリの統計的近似と勾配更新を使用して対処します。
シミュレーションと実際の実験による検証により、最大事後推定 (MAP) 推定方法と比べて状態推定が大幅に向上していることが実証されています。

要約(オリジナル)

Probabilistic state estimation is essential for robots navigating uncertain environments. Accurately and efficiently managing uncertainty in estimated states is key to robust robotic operation. However, nonlinearities in robotic platforms pose significant challenges that require advanced estimation techniques. Gaussian variational inference (GVI) offers an optimization perspective on the estimation problem, providing analytically tractable solutions and efficiencies derived from the geometry of Gaussian space. We propose a Sequential Gaussian Variational Inference (S-GVI) method to address nonlinearity and provide efficient sequential inference processes. Our approach integrates sequential Bayesian principles into the GVI framework, which are addressed using statistical approximations and gradient updates on the information geometry. Validations through simulations and real-world experiments demonstrate significant improvements in state estimation over the Maximum A Posteriori (MAP) estimation method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google