Pose Graph Optimization for a MAV Indoor Localization Fusing 5GNR TOA with an IMU

要約

この論文では、慣性測定装置 (IMU) データと融合した場合の、さまざまなシナリオおよび条件下での屋内ドローンの位置特定のための 5G の新しい無線 (NR) 到着時刻 (TOA) データの可能性を検討します。
私たちのアプローチには、グラフベースの最適化を実行して、複数のセンサーの測定値からドローンの位置と方向を推定することが含まれます。
実世界のデータが不足しているため、Matlab 5G ツールボックスと QuaDRiGa (準決定論的無線チャネル ジェネレーター) チャネル シミュレーターを使用して、IMU 測定値と飛行ドローンのグランド トゥルース 6DoF ポーズを提供する EuRoC MAV 屋内データセットの TOA 測定値を生成しました。
。
したがって、QuaDRiGa の 3 つの事前定義された屋内シナリオ セットアップと 2 ～ 5 つの基地局アンテナを組み合わせた 12 のシーケンスを作成します。
したがって、実験結果は、十分な数の基地局と高帯域幅の 5G 構成の場合、ポーズ グラフ最適化アプローチにより、軌道全体の平均誤差が 15 cm 未満で正確なドローン位置特定を達成できることを示しています。
さらに、採用されたグラフベースの最適化アルゴリズムは高速であり、超小型航空機 (MAV) 上のオンボードのリアルタイム姿勢追跡に簡単に実装できます。

要約(オリジナル)

This paper explores the potential of 5G new radio (NR) Time-of-Arrival (TOA) data for indoor drone localization under different scenarios and conditions when fused with inertial measurement unit (IMU) data. Our approach involves performing graph-based optimization to estimate the drone’s position and orientation from the multiple sensor measurements. Due to the lack of real-world data, we use Matlab 5G toolbox and QuaDRiGa (quasi-deterministic radio channel generator) channel simulator to generate TOA measurements for the EuRoC MAV indoor dataset that provides IMU readings and ground truths 6DoF poses of a flying drone. Hence, we create twelve sequences combining three predefined indoor scenarios setups of QuaDRiGa with 2 to 5 base station antennas. Therefore, experimental results demonstrate that, for a sufficient number of base stations and a high bandwidth 5G configuration, the pose graph optimization approach achieves accurate drone localization, with an average error of less than 15 cm on the overall trajectory. Furthermore, the adopted graph-based optimization algorithm is fast and can be easily implemented for onboard real-time pose tracking on a micro aerial vehicle (MAV).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google