Fault-Tolerant Multi-Modal Localization of Multi-Robots on Matrix Lie Groups

要約

協調型マルチロボットシステムのナビゲーションにおける一貫したローカライゼーションは、大きな課題である。本論文では、マルチロボットシステムのための、フォールトトレラントでマルチモーダルなローカライゼーションフレームワークを提案する。本論文では、Lie群上の相関・非相関推定値の合成、差分、反転、平均化、融合を行うための新しい確率演算を導入し、フィルタ更新のための擬似ポーズ構築を可能にする。本手法は、拡張カルマンフィルタ（EKF）フレームワークにおいて、各ロボットの慣性、速度、姿勢（擬似姿勢）センサからの固有知覚および外部知覚測定値の組み合わせを統合する。予測ステップは、各ロボットのポーズ、速度、慣性計測のバイアスが伝搬される、$mathbb{SE}_2(3) Ⓐtimes Ⓐmathbb{R}^3$ リー群上で行われる。提案するフレームワークでは、体速度、フィデューシャルマーカーからの相対姿勢計測、およびロボット間通信を用いて、リー群$mathbb{SE}(3) ⊖times ⊖mathbb{R}^3$上のネットワーク全体でスケーラブルなEKF更新を提供する。故障検出モジュールが実装されており、フィデューシャルマーカーからの信頼性の高い擬似ポーズ測定値のみを統合することができる。慣性計測ユニット、車輪オドメトリ、ArUcoマーカーを装備した車輪付き移動ロボットのネットワークを用いた実験により、本手法の有効性を実証する。比較の結果、提案手法のリアルタイム性能、優れた効率性、信頼性、マルチロボット定位におけるスケーラビリティが強調され、大規模ロボットシステムに適していることがわかった。

要約(オリジナル)

Consistent localization of cooperative multi-robot systems during navigation presents substantial challenges. This paper proposes a fault-tolerant, multi-modal localization framework for multi-robot systems on matrix Lie groups. We introduce novel stochastic operations to perform composition, differencing, inversion, averaging, and fusion of correlated and non-correlated estimates on Lie groups, enabling pseudo-pose construction for filter updates. The method integrates a combination of proprioceptive and exteroceptive measurements from inertial, velocity, and pose (pseudo-pose) sensors on each robot in an Extended Kalman Filter (EKF) framework. The prediction step is conducted on the Lie group $\mathbb{SE}_2(3) \times \mathbb{R}^3 \times \mathbb{R}^3$, where each robot’s pose, velocity, and inertial measurement biases are propagated. The proposed framework uses body velocity, relative pose measurements from fiducial markers, and inter-robot communication to provide scalable EKF update across the network on the Lie group $\mathbb{SE}(3) \times \mathbb{R}^3$. A fault detection module is implemented, allowing the integration of only reliable pseudo-pose measurements from fiducial markers. We demonstrate the effectiveness of the method through experiments with a network of wheeled mobile robots equipped with inertial measurement units, wheel odometry, and ArUco markers. The comparison results highlight the proposed method’s real-time performance, superior efficiency, reliability, and scalability in multi-robot localization, making it well-suited for large-scale robotic systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL