Estimation-Aware Trajectory Optimization with Set-Valued Measurement Uncertainties

要約

このホワイトペーパーでは、推定認識軌道を生成するための最適化ベースのフレームワークを提示します。
このセットアップでは、測定（出力）不確実性は状態依存性であり、セット値です。
包む楕円体は、未知の分布を伴う状態依存の不確実性を特徴付けるために採用されています。
次に、セット値の出力マップの規則性の概念が導入され、推定認識軌道生成問題の定式化が促進されます。
具体的には、出力正規マップでは、有限の地平線状態の軌跡に関して凹のセット値の観測可能性測定値を利用できることが実証されています。
この尺度を最大化することにより、幅広いクラスのシステムに対して推定認識軌道を合成できます。
この作業では、軌道計画ルーチンも検討されています。これにより、観測可能性測定は、局所的に線形化されたダイナミクスを備えたシステムに最適化されています。
提案されたアプローチの有効性を説明するために、ビジョンベースの推定を伴う軌道計画のコンテキストにおける代表的な例が提示されています。
さらに、この論文では、エゴサテライトがオンボード機械学習（ML）ベースの推定モジュールを使用してランデブーの軌跡を実現する非協力的なターゲットレンダズブー問題の推定値計画を提示します。

要約(オリジナル)

In this paper, an optimization-based framework for generating estimation-aware trajectories is presented. In this setup, measurement (output) uncertainties are state-dependent and set-valued. Enveloping ellipsoids are employed to characterize state-dependent uncertainties with unknown distributions. The concept of regularity for set-valued output maps is then introduced, facilitating the formulation of the estimation-aware trajectory generation problem. Specifically, it is demonstrated that for output-regular maps, one can utilize a set-valued observability measure that is concave with respect to the finite horizon state trajectories. By maximizing this measure, estimation-aware trajectories can then be synthesized for a broad class of systems. Trajectory planning routines are also examined in this work, by which the observability measure is optimized for systems with locally linearized dynamics. To illustrate the effectiveness of the proposed approach, representative examples in the context of trajectory planning with vision-based estimation are presented. Moreover, the paper presents estimation-aware planning for an uncooperative Target-Rendezvous problem, where an Ego-satellite employs an onboard machine learning (ML)-based estimation module to realize the rendezvous trajectory.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google