Multi-Sensor Fusion for Quadruped Robot State Estimation using Invariant Filtering and Smoothing

要約

この手紙では、四分位ロボットの2つのマルチセンサー状態推定フレームワークを紹介します。これは、不変の拡張カルマンフィルター（INEKF）と不変のスムーズ（IS）の上に構築されています。
e-nekfとe-isという名前の提案された方法は、特にZ軸に沿って位置ドリフトを緩和するための運動学、imu、lidar、およびGPSデータを融合します。これは、固有受容ベースのアプローチの一般的な問題です。
グループアフィン特性を満たす観測モデルを導き出し、Lidar odometryとGPSをInekfなどに統合しました。
Lidar Odometryは、並列スレッドでの反復的な近くのポイント（ICP）登録を使用して組み込まれ、固有受容ベースの状態推定の計算効率を維持します。
E-nekfとE-ISを外部受容センサーの有無にかかわらず評価し、Kaist Hound2ロボットを使用した屋内および屋外の実験でLidarベースの臭気法に対してベンチマークを付けます。
私たちの方法は、LIO-SAMおよびFast-LIO2と比較して、最大28％の屋内および40％の屋外の改善により、より低い相対位置エラー（RPE）を達成し、絶対軌道エラー（ATE）を大幅に減らします。
さらに、計算効率と精度の観点からE-inekfとe-isを比較します。

要約(オリジナル)

This letter introduces two multi-sensor state estimation frameworks for quadruped robots, built on the Invariant Extended Kalman Filter (InEKF) and Invariant Smoother (IS). The proposed methods, named E-InEKF and E-IS, fuse kinematics, IMU, LiDAR, and GPS data to mitigate position drift, particularly along the z-axis, a common issue in proprioceptive-based approaches. We derived observation models that satisfy group-affine properties to integrate LiDAR odometry and GPS into InEKF and IS. LiDAR odometry is incorporated using Iterative Closest Point (ICP) registration on a parallel thread, preserving the computational efficiency of proprioceptive-based state estimation. We evaluate E-InEKF and E-IS with and without exteroceptive sensors, benchmarking them against LiDAR-based odometry methods in indoor and outdoor experiments using the KAIST HOUND2 robot. Our methods achieve lower Relative Position Errors (RPE) and significantly reduce Absolute Trajectory Error (ATE), with improvements of up to 28% indoors and 40% outdoors compared to LIO-SAM and FAST-LIO2. Additionally, we compare E-InEKF and E-IS in terms of computational efficiency and accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google