Sequential Gaussian Variational Inference for Nonlinear State Estimation applied to Robotic Applications

要約

不確実な環境を航行するロボットにとって、確率的な状態推定は不可欠である。推定された状態の不確実性を正確かつ効率的に管理することは、ロバストなロボット操作の鍵となる。しかし、ロボットプラットフォームの非線形性は、高度な推定技術を必要とする重大な課題を提起する。ガウス変分推論(GVI)は推定問題に最適化の視点を提供し、解析的に扱いやすい解とガウス空間の幾何学に由来する効率性を提供する。我々は、非線形性に対処し、効率的な逐次推論プロセスを提供する逐次ガウス変分推論（S-GVI）法を提案する。我々のアプローチは、逐次ベイズ原理をGVIフレームワークに統合し、統計的近似と情報幾何上の勾配更新を用いて対処する。シミュレーションと実世界実験による検証により、最大事後推定（MAP）法よりも状態推定が大幅に改善されることが実証された。

要約(オリジナル)

Probabilistic state estimation is essential for robots navigating uncertain environments. Accurately and efficiently managing uncertainty in estimated states is key to robust robotic operation. However, nonlinearities in robotic platforms pose significant challenges that require advanced estimation techniques. Gaussian variational inference (GVI) offers an optimization perspective on the estimation problem, providing analytically tractable solutions and efficiencies derived from the geometry of Gaussian space. We propose a Sequential Gaussian Variational Inference (S-GVI) method to address nonlinearity and provide efficient sequential inference processes. Our approach integrates sequential Bayesian principles into the GVI framework, which are addressed using statistical approximations and gradient updates on the information geometry. Validations through simulations and real-world experiments demonstrate significant improvements in state estimation over the Maximum A Posteriori (MAP) estimation method.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL