Блочный фильтр Калмана с линейной вычислительной сложностью для комплексированных с техническим зрением инерциальных навигационных систем
Автор: Циоплиакис Н.И.
Рубрика: Управление в технических системах
Статья в выпуске: 4 т.24, 2024 года.
Бесплатный доступ
В условиях роста применения технического зрения в навигационных системах подвижных объектов возникает необходимость в исследовании численно-эффективных алгоритмов оптимальной фильтрации, адаптированных для совместной обработки измерений инерциальных датчиков и данных большого числа визуальных источников информации. В статье предложена новая модификация фильтра Калмана (блочный фильтр Калмана), имеющая линейную вычислительную сложность от числа источников измерительной информации; получена численно-устойчивая версия фильтра, использующая LDL-факторизацию матриц ковариаций. Цель исследования: получить алгоритм LDL-факторизованного блочного фильтра Калмана, имеющего линейную вычислительную сложность относительно числа входящих в измерительную систему источников информации; показать возможность применения такого алгоритма в комплексированной инерциальной навигационной системе с техническим зрением.
Фильтр калмана, численная эффективность, техническое зрение, комплексированная навигационная система
Короткий адрес: https://sciup.org/147245998
IDR: 147245998 | DOI: 10.14529/ctcr240404
Список литературы Блочный фильтр Калмана с линейной вычислительной сложностью для комплексированных с техническим зрением инерциальных навигационных систем
- Iterated extended Kalman filter based visual-inertial odometry using direct photometric feedback / M. Bloesch, M. Burri, S. Omari et al. // The International Journal of Robotics Research. 2017. Vol. 36 (10). P. 1053-1072. DOI: 10.1177/0278364917728574
- Li M., Mourikis A.I. Improving the accuracy of EKF-based visual-inertial odometry // 2012 IEEE International Conference on Robotics and Automation. Saint Paul, MN, USA, 2012. P. 828-835. DOI: 10.1109/ICRA.2012.6225229
- Fang Q., Huang S.X. UKF for Integrated Vision and Inertial Sensors Based on Three-View Geometry // IEEE Sensors Journal. 2013. Vol. 13 (7). P. 2711-2719. DOI: 10.1109/jsen.2013.2259228
- Bleser G., Strickery D. Using the marginalised particle filter for real-time visual-inertial sensor fusion // 2008 7th IEEE/ACM International Symposium on Mixed and Augmented Reality. Cambridge, UK, 2008. P. 3-12. DOI: 10.1109/ISMAR.2008.4637316
- Particle filter approach to vision-based navigation with aerial image segmentation / K. Hong, S. Kim, J. Park, H. Bang // Journal of Aerospace Information Systems. 2021. Vol. 18 (12). P. 1-9. DOI: 10.2514/1.I010957
- A review of visual inertial odometry from filtering and optimisation perspectives / J. Gui, D. Gu, S. Wang, H. Hu // Advanced Robotics. 2015. Vol. 29 (20). P. 1289-1301. DOI: 10.1080/01691864.2015.1057616
- Huang G. Visual-Inertial Navigation: A Concise Review // 2019 International Conference on Robotics and Automation (ICRA). Montreal, QC, Canada, 2019. P. 9572-9582. DOI: 10.1109/ICRA.2019.8793604
- Цыганова Ю.В., Куликова М.В. О современных ортогонализованных алгоритмах оптимальной дискретной фильтрации // Вестник ЮУрГУ. Серия «Математическое моделирование и программирование». 2018. Т. 11, № 4. С. 5-30. DOI: 10.14529/mmp180401
- Mourikis A.I., Roumeliotis S.I. A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation // Proceedings 2007 IEEE International Conference on Robotics and Automation. Rome, Italy, 2007. P. 3565-3572. DOI: 10.1109/ROBOT.2007.364024
- INS/vSLAM system using distributed particle filter / D.H. Won, S. Chun, S. Sung et al. // International Journal of Control Automation and Systems. 2010. Vol. 8. P. 1232-1240. DOI: 10.1007/s12555-010-0608-7
- Paik B.S., Oh J.H. Gain fusion algorithm for decentralised parallel Kalman filters // IEE Proceedings - Control Theory and Applications. 2000. Vol. 147 (1). P. 97-103. DOI: 10.1049/ip-cta:20000141
- Hashemipour H.R., Roy S., Laub A.J. Decentralized structures for parallel Kalman filtering // IEEE Transactions on Automatic Control. 1988. Vol. 33, no. 1. P. 88-94. DOI: 10.1109/9.364
- Rao B.S.Y, Durrant-Whyte H.F., Sheen J.A. A Fully Decentralized Multi-Sensor System for Tracking and Surveillance // The International Journal of Robotics Research. 1993. Vol. 12 (1). P. 20-44. DOI: 10.1177/027836499301200102
- Olfati-Saber R. Distributed Kalman filtering for sensor networks // 2007 46th IEEE Conference on Decision and Control. New Orleans, LA, USA, 2007. P. 5492-5498. DOI: 10.1109/CDC.2007.4434303
- Roy S., Hashemi R.H., Laub A.J. Square root parallel Kalman filtering using reduced-order local filters // IEEE Transactions on Aerospace and Electronic Systems. 1991. Vol. 27, no. 2. P. 276-289. DOI: 10.1109/7.78303
- Brown R.G., Hwang P.Y.C. Introduction to Random Signals and Applied Kalman Filtering: with MATLAB Exercises. 4th ed. Wiley, 1996.
- Бортовая реализация адаптивно-робастных оценивающих фильтров: практические результаты / В.Л. Будкин, С.Л. Булгаков, Ю.П. Михеенков и др. // Научный вестник МГТУ ГА. 2005. № 89 (7). С. 59-71.
- Семушин И.В., Цыганова Ю.В., Захаров К.В. Устойчивые алгоритмы фильтрации - обзор и новые результаты для систем судовождения // Информационные технологии и вычислительные системы. 2013. № 4. С. 90-112.
- Thornton C.L. Triangular Covariance Factorizations for Kalman Filtering. Ph.D. Thesis. University of California at Los Angeles, 1976.
- Complete solution classification for the perspective-three-point problem / X.-S. Gao, X.-R. Hou, J. Tang, H.-F. Cheng // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003. Vol. 25, no. 8. P. 930-943. DOI: 10.1109/TPAMI.2003.1217599
