增强机器人的状态估计：一种基于数据驱动的可微分集合卡尔曼滤波方法
摘要：使用可微分集合卡尔曼滤波器（DEnKF）为机器人引入了一种新颖的状态估计框架。DEnKF是传统集合卡尔曼滤波器的改进，它使用随机神经网络来隐式地建模过程噪声。我们的工作是对不同iable filters的先前研究的扩展，这为我们的模块化和端到端的可微分框架奠定了坚实基础。该框架使系统的每个组件能够独立运行，从而提高了实施的灵活性和多功能性。通过一系列实验，我们展示了该模型在各种实际跟踪任务（包括视觉测距和机器人操作）中的灵活性。此外，我们还展示了我们的模型如何有效处理嘈杂的观测，并且在没有观测的情况下表现出鲁棒性，而且在错误度量指标上优于最先进的可微分滤波器。具体来说，我们观察到使用DEnKF进行嘈杂观测时的平移误差至少提高了59％。我们的结果强调了DEnKF在推动机器人状态估计方面的潜力。DEnKF的代码可以在https://github.com/ir-lab/DEnKF上找到。
作者：Xiao Liu, Geoffrey Clark, Joseph Campbell, Yifan Zhou, and Heni Ben Amor
论文ID：2308.09870
分类：Robotics
分类简称：cs.RO
提交时间：2023-08-22