Infrastructure-less UWB-based Active Relative Localization

📄 arXiv: 2409.12780v2 📥 PDF

作者: Valerio Brunacci, Alberto Dionigi, Alessio De Angelis, Gabriele Costante

分类: cs.RO

发布日期: 2024-09-19 (更新: 2024-12-26)

期刊: 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

DOI: 10.1109/IROS58592.2024.10801618

💡 一句话要点

提出一种基于UWB的无基础设施主动相对定位方法，提升多机器人系统定位精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 相对定位 超宽带(UWB) 无基础设施 主动定位 深度强化学习 多机器人系统

📋 核心要点

  1. 现有相对定位方法依赖基础设施或需要视线，限制了多机器人系统的灵活性和适用性。
  2. 该论文提出一种基于UWB的无基础设施主动相对定位方法，通过主动调整位置来最小化定位误差。
  3. 实验结果表明，该方法相较于现有技术，能够显著降低定位误差，最高可达60%。

📝 摘要（中文）

在多机器人系统中，平台间的相对定位在诸多任务中至关重要，如领导者跟随、目标追踪或协同机动。现有技术要么依赖于基于基础设施的设置，要么依赖于无基础设施的设置。前者通常实现高定位精度，但需要固定的外部结构。后者提供更大的灵活性，然而，大多数工作使用需要视线（LoS）的相机或激光雷达。超宽带（UWB）设备正成为构建不需要LoS的无基础设施解决方案的可行替代方案。这些方法直接在机器人上部署UWB传感器。然而，它们要求至少一个平台是静态的，限制了无基础设施设置的优势。在这项工作中，我们消除了这个约束，并引入了一种用于无基础设施相对定位的主动方法。我们的方法允许机器人调整其位置，以最小化另一个平台的相对定位误差。为此，我们首先为主动定位任务设计了一个专门的锚点放置。然后，我们提出了一种新的UWB相对定位损失，将几何精度衰减度量适应于无基础设施场景。最后，我们利用这个损失函数来训练一个基于深度强化学习的主动控制器，用于UWB相对定位。广泛的仿真活动和真实世界的实验验证了我们的方法，与当前最先进的方法相比，定位误差降低了高达60%。

🔬 方法详解

问题定义：现有基于UWB的无基础设施相对定位方法通常要求至少一个机器人保持静止，这限制了其在动态环境中的应用。此外，如何优化UWB锚点的放置以提高定位精度也是一个挑战。

核心思路：该论文的核心思路是通过主动控制一个机器人的运动，使其能够优化另一个机器人的相对定位精度。这种主动定位策略旨在克服传统方法的局限性，并提高在动态、无基础设施环境中的定位性能。

技术框架：整体框架包含以下几个主要模块：1) 专门为主动定位任务设计的UWB锚点放置策略；2) 一种新的UWB相对定位损失函数，该函数将几何精度衰减（GDOP）度量适应于无基础设施场景；3) 一个基于深度强化学习（DRL）的主动控制器，该控制器利用损失函数来学习如何调整机器人的位置以最小化定位误差。

关键创新：该论文的关键创新在于提出了一种主动的相对定位方法，该方法不需要任何机器人保持静止。此外，该论文还提出了一种新的UWB相对定位损失函数，该函数能够有效地指导DRL控制器的训练。

关键设计：UWB锚点放置策略旨在最大化UWB信号的覆盖范围和几何多样性。UWB相对定位损失函数基于GDOP度量，但进行了修改以适应无基础设施场景。DRL控制器使用深度神经网络来学习最优的运动策略，该网络以UWB测量值和机器人状态作为输入，并输出机器人的运动指令。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在仿真和真实环境中均取得了显著的性能提升。与当前最先进的方法相比，该方法能够将相对定位误差降低高达60%。这一结果验证了主动定位策略的有效性，并表明该方法在实际应用中具有很大的潜力。

🎯 应用场景

该研究成果可应用于各种多机器人协同任务，如编队控制、协同搜索与救援、自主导航等。尤其在缺乏GPS信号或视觉信息受限的环境中，该方法能够提供可靠的相对定位信息，提升多机器人系统的整体性能和鲁棒性。未来，该技术有望应用于物流、农业、安防等领域。

📄 摘要（原文）

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.