Indoor Position and Attitude Tracking with SO(3) Manifold

要約

技術の飛躍的進歩に後押しされ、屋内トラッキングとローカライゼーションは、モノのインターネット（IoT）、ロボット工学、無人航空機（UAV）を含む様々なアプリケーションにおいて重要性を増している。屋内トラッキングに関連するいくつかの課題に取り組むために、本研究では回転行列のSO(3)多様体構造を取り入れることの潜在的な利点を探索する。その目的は、拡張カルマンフィルタ（EKF）とuncentedカルマンフィルタ（UKF）の3Dトラッキング性能を向上させることである。その結果、提案するリーマン付き拡張カルマンフィルタ(EKFRie)とリーマン付きuncentedカルマンフィルタ(UKFRie)のアルゴリズムが、従来のEKFとUKFを位置精度と姿勢精度の点で一貫して上回ることが実証された。従来のEKFとUKFは、長い階段経路に対して、それぞれ0.36mと0.43mの二乗平均平方根誤差（RMSE）を達成したのに対し、提案されたEKFRieとUKFRieアルゴリズムは、0.21mと0.10mという低いRMSEを達成した。この結果は、二等辺三角形多様体を用いたEKFおよびUKFアルゴリズムよりも提案アルゴリズムの方が優れていることを示している。後者がそれぞれ7.26cmと7.27cmのRMSEを達成したのに対し、提案アルゴリズムは6.73cmと6.16cmのRMSEを達成した。これらの結果は、提案アルゴリズムの性能が向上したことを示している。

要約(オリジナル)

Driven by technological breakthroughs, indoor tracking and localization have gained importance in various applications including the Internet of Things (IoT), robotics, and unmanned aerial vehicles (UAVs). To tackle some of the challenges associated with indoor tracking, this study explores the potential benefits of incorporating the SO(3) manifold structure of the rotation matrix. The goal is to enhance the 3D tracking performance of the extended Kalman filter (EKF) and unscented Kalman filter (UKF) of a moving target within an indoor environment. Our results demonstrate that the proposed extended Kalman filter with Riemannian (EKFRie) and unscented Kalman filter with Riemannian (UKFRie) algorithms consistently outperform the conventional EKF and UKF in terms of position and orientation accuracy. While the conventional EKF and UKF achieved root mean square error (RMSE) of 0.36m and 0.43m, respectively, for a long stair path, the proposed EKFRie and UKFRie algorithms achieved a lower RMSE of 0.21m and 0.10m. Our results show also the outperforming of the proposed algorithms over the EKF and UKF algorithms with the Isosceles triangle manifold. While the latter achieved RMSE of 7.26cm and 7.27cm, respectively, our proposed algorithms achieved RMSE of 6.73cm and 6.16cm. These results demonstrate the enhanced performance of the proposed algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL