Robust Statistics vs. Machine Learning vs. Bayesian Inference: Insights into Handling Faulty GNSS Measurements in Field Robotics

要約

このホワイトペーパーでは、マルチパス、信号詰まり、非視線条件などの環境干渉のために生のGNSSデータが頻繁に破損する、野外アプリケーションの有害信号条件下でのロボット局在のグローバルナビゲーション衛星システム（GNSS）の故障測定（すなわち、外れ値）の取り扱いに関する調査結果を提示します。
これに関連して、GNSS擬似型観測に特異的に適用される3つの戦略を調査します。エラー軽減のための堅牢な統計、誤った測定予測のための機械学習、およびノイズ分布近似のベイジアン推論。
以前の研究では、統一された問題ステートメント内のこれら3つの方法論の理論的基礎と実用的評価に関する洞察が限られているため（すなわち、隔離センサーを使用した状態推定）、多様な都市環境で収集された実際のセンサーデータを使用して広範な実験を実施します。
私たちの目標は、確立された手法と新たに提案された方法の両方を調べることであり、それにより、GNSなどの誤った範囲測定を処理する方法の理解を進めて、堅牢で長期的なロボットのローカリゼーションを実現します。
成功した結果を提示することに加えて、この研究は、堅牢な状態推定における将来の研究を動機付けるための重要な観察と未解決の質問を強調しています。

要約(オリジナル)

This paper presents research findings on handling faulty measurements (i.e., outliers) of global navigation satellite systems (GNSS) for robot localization under adverse signal conditions in field applications, where raw GNSS data are frequently corrupted due to environmental interference such as multipath, signal blockage, or non-line-of-sight conditions. In this context, we investigate three strategies applied specifically to GNSS pseudorange observations: robust statistics for error mitigation, machine learning for faulty measurement prediction, and Bayesian inference for noise distribution approximation. Since previous studies have provided limited insight into the theoretical foundations and practical evaluations of these three methodologies within a unified problem statement (i.e., state estimation using ranging sensors), we conduct extensive experiments using real-world sensor data collected in diverse urban environments. Our goal is to examine both established techniques and newly proposed methods, thereby advancing the understanding of how to handle faulty range measurements, such as GNSS, for robust, long-term robot localization. In addition to presenting successful results, this work highlights critical observations and open questions to motivate future research in robust state estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google