4つの測距センサのみを用いた動的環境におけるモンテカルロ法による屋内UAV自己位置推定

- 屋内UAVの2D localizationを、機体搭載の4つのsingle-point range sensorsとmeasured headingのみで行う手法の提案。 - 提案手法はaugmented filtered Monte Carlo localization (AF-MCL)と呼ばれる。 - 動的環境(動く障害物)下でのlocalizationを対象とする。 - particle分布からlocalization uncertaintyをオンラインで推定できる。

- 最小限のonboard sensingでの屋内UAV localizationは、特にdynamic environmentsで困難という課題設定。 - 標準的なMCLやreliable MCLと比較し、dynamic obstacles下での精度向上を示す(標準MCL 12.3 cm、reliable MCL 7.7 cmに対し提案手法はシミュレーションで4.5-5.2 cm)。 - beam classificationをprevious position estimateでのみ行い、ray-castingコストをparticle数に依存させない点が特徴的。 - 4つのsingle-point range measurementsとheadingのみで動的障害物下のrobust localizationを実現。

- augmented filtered Monte Carlo localization (AF-MCL)を提案。 - 既知のstatic mapと矛盾するrange measurementsを棄却(reject)する。 - localization divergenceやkidnappingから回復するため、particlesを適応的に注入(adaptive injection)する。 - beam classificationはprevious position estimateでのみ実施し、ray-castingコストをparticle数から独立させる。 - particle分布をlocalization uncertaintyのオンライン指標として利用。

- 実環境実験: 2.10x1.63 mの環境で、staticおよびdynamic条件下でmean position errors 6.4-7.7 cm。 - シミュレーション: 6x6 mおよび10x10 m環境でmean errors 4.5-5.2 cm。 - dynamic obstacles下でstandard MCLは12.3 cm、reliable MCLは7.7 cmに達し、提案手法と比較。 - 4つのsingle-point range measurementsとheadingのみでrobust indoor localizationが可能であることを示す。

- 動的障害物下でも4つのsingle-point range measurementsとheadingのみでrobustな屋内localizationが達成可能と結論。 - particle分布によるlocalization uncertaintyのオンライン測定が可能。 - 限定的なセンサ構成での課題や限界についての詳細な議論は要旨からは不明。 - 実環境実験の環境規模(2.10x1.63 m)が小さい点などの一般化可能性は要旨からは不明。

- 比較対象として言及されたstandard MCL(Monte Carlo localization)およびreliable MCL。 - 関連手法としてaugmented MCL、adaptive MCL、kidnapped robot problem対策の研究。 - range sensor-based localizationやbeam modelに関する古典的文献。 - 要旨で明示的な参照論文はないため、同分野の定番としてMonte Carlo localization全般とUAV indoor localizationの関連研究を挙げる。