HDVIO2.0: Wind and Disturbance Estimation with Hybrid Dynamics VIO

要約

視覚慣性臭気（VIO）は、オンボードセンサーを使用した自律マイクロ航空車両の状態推定に広く使用されています。
現在の方法は、トランスレーショナルビークルのダイナミクスのモデルを組み込むことによりVioを改善しますが、低精度の車両モデルまたは風のような継続的な外乱に直面した場合、パフォーマンスは低下します。
さらに、これらのモデルに回転ダイナミクスを組み込むことは、閉ループ制御システムなどのオンラインアプリケーションに展開される場合、計算に非常に扱いにくいものです。
HDVIO2.0を紹介します。HDVIO2.0は、6-DOF、トランスレーショナル、回転、車両のダイナミクスを完全にモデル化し、ランタイムへの影響を最小限に抑えてVioにしっかりと組み込みます。
HDVIO2.0は、以前の作業であるHDVIOに基づいており、ポイントマス車両モデルと学習ベースのコンポーネントとコントロールコマンドとIMUの履歴へのアクセスを組み合わせたハイブリッドダイナミクスモデルを通じて、複雑な空力効果をキャプチャするために、これらの課題に対処します。
回転ダイナミクスのモデリングの背後にある重要なアイデアは、連続時間関数でそれらを表すことです。
HDVIO2.0は、実際の動きとハイブリッドダイナミクスモデルからの予測される動きとの相違を活用して、ロボット状態と同様に外力を推定します。
当社のシステムは、パブリックおよび新しいドローンダイナミクスデータセットを使用した実験で最先端の方法のパフォーマンスを上回り、最大25 km/hまでの風の実際の飛行を超えています。
既存のアプローチとは異なり、完全な車両状態の正確な知識なしに、正確な車両のダイナミクス予測が達成可能であることも示します。

要約(オリジナル)

Visual-inertial odometry (VIO) is widely used for state estimation in autonomous micro aerial vehicles using onboard sensors. Current methods improve VIO by incorporating a model of the translational vehicle dynamics, yet their performance degrades when faced with low-accuracy vehicle models or continuous external disturbances, like wind. Additionally, incorporating rotational dynamics in these models is computationally intractable when they are deployed in online applications, e.g., in a closed-loop control system. We present HDVIO2.0, which models full 6-DoF, translational and rotational, vehicle dynamics and tightly incorporates them into a VIO with minimal impact on the runtime. HDVIO2.0 builds upon the previous work, HDVIO, and addresses these challenges through a hybrid dynamics model combining a point-mass vehicle model with a learning-based component, with access to control commands and IMU history, to capture complex aerodynamic effects. The key idea behind modeling the rotational dynamics is to represent them with continuous-time functions. HDVIO2.0 leverages the divergence between the actual motion and the predicted motion from the hybrid dynamics model to estimate external forces as well as the robot state. Our system surpasses the performance of state-of-the-art methods in experiments using public and new drone dynamics datasets, as well as real-world flights in winds up to 25 km/h. Unlike existing approaches, we also show that accurate vehicle dynamics predictions are achievable without precise knowledge of the full vehicle state.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google