Globally Optimal Data-Association-Free Landmark-Based Localization Using Semidefinite Relaxations

要約

このペーパーでは、平面環境における未知のデータ関連を伴うランドマークベースのローカリゼーションのための半分の緩和を提案します。
提案された方法は、最適なロボット状態とデータ関連をグローバルに最適な方法で同時に解決します。
既知のランドマークに対する相対的な位置測定が使用されますが、データ関連はロボットでは不明です。各測定が生成されるランドマークがわからない。
中程度の騒音レベルでは、ほとんどの場合、リラクゼーションは緊密であることが示されています。
提案されたアルゴリズムは、デッドレックアンド軌道で初期化されたローカルGauss-Newtonベースラインと比較され、シミュレーションと実験における問題のグローバルな最適への収束を大幅に改善することが示されています。
付随するソフトウェアと補足資料は、https：//github.com/vkorotkine/certifiable_uda_locにあります。

要約(オリジナル)

This paper proposes a semidefinite relaxation for landmark-based localization with unknown data associations in planar environments. The proposed method simultaneously solves for the optimal robot states and data associations in a globally optimal fashion. Relative position measurements to known landmarks are used, but the data association is unknown in tha tthe robot does not know which landmark each measurement is generated from. The relaxation is shown to be tight in a majority of cases for moderate noise levels. The proposed algorithm is compared to local Gauss-Newton baselines initialized at the dead-reckoned trajectory, and is shown to significantly improve convergence to the problem’s global optimum in simulation and experiment. Accompanying software and supplementary material may be found at https://github.com/vkorotkine/certifiable_uda_loc .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google