Infrastructure-less UWB-based Active Relative Localization

要約

マルチロボット システムでは、プラットフォーム間の相対的な位置特定が、リーダーの追従、目標の追跡、協調操縦などの多くのタスクで重要な役割を果たします。
State of the Art (SotA) アプローチは、インフラストラクチャベースのセットアップまたはインフラストラクチャを使用しないセットアップのいずれかに依存します。
前者は通常、高い位置特定精度を実現しますが、固定された外部構造が必要です。
後者の方が柔軟性が高くなりますが、ほとんどの作品では、動作に見通し線 (LoS) が必要なカメラまたは LIDAR が使用されます。
超広帯域 (UWB) デバイスは、LoS を必要としないインフラストラクチャレス ソリューションを構築するための実行可能な代替手段として登場しています。
これらのアプローチでは、UWB センサーをロボットに直接展開します。
ただし、少なくとも 1 つのプラットフォームが静的である必要があるため、インフラストラクチャを使用しないセットアップの利点が制限されます。
この研究では、この制約を取り除き、インフラストラクチャを使用しない相対位置特定のためのアクティブな方法を導入します。
私たちのアプローチにより、ロボットはその位置を適応させて、他のプラットフォームの相対的な位置推定誤差を最小限に抑えることができます。
この目的のために、まずアクティブな位置特定タスク用に特化したアンカーの配置を設計します。
次に、幾何学的な精度の低下メトリクスをインフラストラクチャのないシナリオに適応させる、新しい UWB 相対位置推定損失を提案します。
最後に、この損失関数を利用して、UWB 相対位置特定用のアクティブな深層強化学習ベースのコントローラーをトレーニングします。
大規模なシミュレーション キャンペーンと実世界の実験により私たちの方法が検証され、現在の SotA アプローチと比較して位置推定エラーが最大 60% 削減されることが示されています。

要約(オリジナル)

In multi-robot systems, relative localization between platforms plays a crucial role in many tasks, such as leader following, target tracking, or cooperative maneuvering. State of the Art (SotA) approaches either rely on infrastructure-based or on infrastructure-less setups. The former typically achieve high localization accuracy but require fixed external structures. The latter provide more flexibility, however, most of the works use cameras or lidars that require Line-of-Sight (LoS) to operate. Ultra Wide Band (UWB) devices are emerging as a viable alternative to build infrastructure-less solutions that do not require LoS. These approaches directly deploy the UWB sensors on the robots. However, they require that at least one of the platforms is static, limiting the advantages of an infrastructure-less setup. In this work, we remove this constraint and introduce an active method for infrastructure-less relative localization. Our approach allows the robot to adapt its position to minimize the relative localization error of the other platform. To this aim, we first design a specialized anchor placement for the active localization task. Then, we propose a novel UWB Relative Localization Loss that adapts the Geometric Dilution Of Precision metric to the infrastructure-less scenario. Lastly, we leverage this loss function to train an active Deep Reinforcement Learning-based controller for UWB relative localization. An extensive simulation campaign and real-world experiments validate our method, showing up to a 60% reduction of the localization error compared to current SotA approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google