Tightly Joined Positioning and Control Model for Unmanned Aerial Vehicles Based on Factor Graph Optimization

要約

無人航空機 (UAV) による飛行ミッションの実行は、主にナビゲーションに依存しています。
特に、ナビゲーション パイプラインは従来、位置決めと制御に分割され、順次ループで動作していました。
しかし、測位と制御が分離されている既存のナビゲーション パイプラインは、測定ノイズ、突然の外乱、および非線形ダイナミクスから生じる遍在する不確実性に適応するのに苦労しています。
その結果、複雑な動的領域では、UAV のナビゲーションの信頼性が大きく問われます。
たとえば、ユビキタスな全地球航法衛星システム (GNSS) の測位は、複雑な都市部にある周囲の高層ビルからの信号反射によって低下する可能性があり、測位の不確実性が大幅に増加します。
都市部の峡谷における複雑な風の乱れにより、制御アルゴリズムにはさらなる課題が生じます。
システムの位置決めと制御は相互に高い相関関係にあるという事実を踏まえ、本研究では**ファクターグラフ最適化(FGO)に基づく密結合位置決め・制御モデル(JPCM)**を提案する。
特に、提案された JPCM は、位置決めおよび制御制約からのセンサー測定値を統合された確率的因子グラフに結合します。
具体的には、測位測定値は因子グラフの因子として定式化されます。
さらに、モデル予測制御 (MPC) もファクター グラフの追加因子として定式化されます。
位置決め関連の要因と MPC ベースの要因の両方によって寄与される要因グラフを解くことにより、位置決めと制御の相補性を最大限に活用することができます。
最後に、軌道追従性能が大幅に向上したシミュレートされたクアローター システムを使用して、提案された方法の有効性と回復力を検証します。

要約(オリジナル)

The execution of flight missions by unmanned aerial vehicles (UAV) primarily relies on navigation. In particular, the navigation pipeline has traditionally been divided into positioning and control, operating in a sequential loop. However, the existing navigation pipeline, where the positioning and control are decoupled, struggles to adapt to ubiquitous uncertainties arising from measurement noise, abrupt disturbances, and nonlinear dynamics. As a result, the navigation reliability of the UAV is significantly challenged in complex dynamic areas. For example, the ubiquitous global navigation satellite system (GNSS) positioning can be degraded by the signal reflections from surrounding high-rising buildings in complex urban areas, leading to significantly increased positioning uncertainty. An additional challenge is introduced to the control algorithm due to the complex wind disturbances in urban canyons. Given the fact that the system positioning and control are highly correlated with each other, this research proposes a **tightly joined positioning and control model (JPCM) based on factor graph optimization (FGO)**. In particular, the proposed JPCM combines sensor measurements from positioning and control constraints into a unified probabilistic factor graph. Specifically, the positioning measurements are formulated as the factors in the factor graph. In addition, the model predictive control (MPC) is also formulated as the additional factors in the factor graph. By solving the factor graph contributed by both the positioning-related factors and the MPC-based factors, the complementariness of positioning and control can be deeply exploited. Finally, we validate the effectiveness and resilience of the proposed method using a simulated quadrotor system which shows significantly improved trajectory following performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google