Backpropagation-Based Analytical Derivatives of EKF Covariance for Active Sensing

要約

ロボットの状態推定の精度を高めるために、アクティブ センシング (または知覚認識) 手法は、センサーによって収集された情報を最大化する軌道を求めます。
この目的を達成するために、可能性の 1 つは、拡張カルマン フィルター (EKF) によって出力される (推定誤差) 共分散行列を最小化する軌道を探索することです。
与えられた範囲にわたる制御入力。
ただし、これは計算量が多くなります。
この記事では、EKF w.r.t. の共分散行列の導関数に対する新しいバックプロパゲーション解析式を導き出します。
そのすべての入力。
次に、得られた分析勾配を実現テクノロジーとして活用し、知覚を意識した最適な動作計画を導き出します。
シミュレーションによりアプローチを検証し、特に PyTorch の自動微分と比較して実行時間の改善を示します。
実車での実験結果もこの方法を裏付けています。

要約(オリジナル)

To enhance accuracy of robot state estimation, active sensing (or perception-aware) methods seek trajectories that maximize the information gathered by the sensors. To this aim, one possibility is to seek trajectories that minimize the (estimation error) covariance matrix output by an extended Kalman filter (EKF), w.r.t. its control inputs over a given horizon. However, this is computationally demanding. In this article, we derive novel backpropagation analytical formulas for the derivatives of the covariance matrices of an EKF w.r.t. all its inputs. We then leverage the obtained analytical gradients as an enabling technology to derive perception-aware optimal motion plans. Simulations validate the approach, showcasing improvements in execution time, notably over PyTorch’s automatic differentiation. Experimental results on a real vehicle also support the method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google