当前位置:
X-MOL 学术
›
Mechatronics
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Improved noise covariance estimation in visual servoing using an autocovariance least-squares approach
Mechatronics ( IF 3.3 ) Pub Date : 2020-06-01 , DOI: 10.1016/j.mechatronics.2020.102381 Jasper Brown , Daobilige Su , He Kong , Salah Sukkarieh , Eric C. Kerrigan
Mechatronics ( IF 3.3 ) Pub Date : 2020-06-01 , DOI: 10.1016/j.mechatronics.2020.102381 Jasper Brown , Daobilige Su , He Kong , Salah Sukkarieh , Eric C. Kerrigan
Abstract Position based visual servoing is a widely adopted tool in robotics and automation. While the extended Kalman filter (EKF) has been proposed as an effective technique for this, it requires accurate noise covariance matrices to render desirable performance. Although numerous techniques for updating or estimating the covariance matrices have been developed in the literature, many of these suffer from computational limits or difficulties in imposing structural constraints such as positive semi-definiteness (PSD). In this paper, a relatively new framework, namely the autocovariance least-squares (ALS) method, is applied to estimate noise covariances using real world visual servoing data. To generate the innovations data required for the ALS method, we utilize standard position based visual servoing methods such as EKF, and also an advanced optimization-based framework, namely moving horizon estimation (MHE). A major advantage of the proposed method is that the PSD and other structural constraints on the noise covariances can be enforced conveniently in the optimization problem, which can be solved efficiently using existing software packages. Our results show that using the ALS estimated covariances in the EKF, instead of hand-tuned covariances, gives more than 20% mean error reduction in visual servoing, while utilising MHE to generate the ALS innovations provides a further 21% accuracy improvement.
中文翻译:
使用自协方差最小二乘法改进视觉伺服中的噪声协方差估计
摘要 基于位置的视觉伺服是机器人和自动化领域广泛采用的工具。虽然扩展卡尔曼滤波器 (EKF) 已被提议作为一种有效的技术,但它需要准确的噪声协方差矩阵来提供理想的性能。尽管在文献中已经开发了许多用于更新或估计协方差矩阵的技术,但其中许多技术在施加结构约束(例如正半定性 (PSD))方面存在计算限制或困难。在本文中,一个相对较新的框架,即自协方差最小二乘法 (ALS) 被应用于使用真实世界的视觉伺服数据估计噪声协方差。为了生成 ALS 方法所需的创新数据,我们使用了基于标准位置的视觉伺服方法,例如 EKF、以及基于优化的高级框架,即移动范围估计(MHE)。所提出方法的一个主要优点是可以在优化问题中方便地强制执行对噪声协方差的 PSD 和其他结构约束,可以使用现有软件包有效地解决这些问题。我们的结果表明,在 EKF 中使用 ALS 估计的协方差,而不是手动调整的协方差,可将视觉伺服的平均误差降低 20% 以上,同时利用 MHE 生成 ALS 创新提供进一步 21% 的精度提高。这可以使用现有的软件包有效地解决。我们的结果表明,在 EKF 中使用 ALS 估计的协方差,而不是手动调整的协方差,可将视觉伺服的平均误差降低 20% 以上,同时利用 MHE 生成 ALS 创新提供进一步 21% 的精度提高。这可以使用现有的软件包有效地解决。我们的结果表明,在 EKF 中使用 ALS 估计的协方差,而不是手动调整的协方差,可将视觉伺服的平均误差降低 20% 以上,同时利用 MHE 生成 ALS 创新提供进一步 21% 的精度提高。
更新日期:2020-06-01
中文翻译:
使用自协方差最小二乘法改进视觉伺服中的噪声协方差估计
摘要 基于位置的视觉伺服是机器人和自动化领域广泛采用的工具。虽然扩展卡尔曼滤波器 (EKF) 已被提议作为一种有效的技术,但它需要准确的噪声协方差矩阵来提供理想的性能。尽管在文献中已经开发了许多用于更新或估计协方差矩阵的技术,但其中许多技术在施加结构约束(例如正半定性 (PSD))方面存在计算限制或困难。在本文中,一个相对较新的框架,即自协方差最小二乘法 (ALS) 被应用于使用真实世界的视觉伺服数据估计噪声协方差。为了生成 ALS 方法所需的创新数据,我们使用了基于标准位置的视觉伺服方法,例如 EKF、以及基于优化的高级框架,即移动范围估计(MHE)。所提出方法的一个主要优点是可以在优化问题中方便地强制执行对噪声协方差的 PSD 和其他结构约束,可以使用现有软件包有效地解决这些问题。我们的结果表明,在 EKF 中使用 ALS 估计的协方差,而不是手动调整的协方差,可将视觉伺服的平均误差降低 20% 以上,同时利用 MHE 生成 ALS 创新提供进一步 21% 的精度提高。这可以使用现有的软件包有效地解决。我们的结果表明,在 EKF 中使用 ALS 估计的协方差,而不是手动调整的协方差,可将视觉伺服的平均误差降低 20% 以上,同时利用 MHE 生成 ALS 创新提供进一步 21% 的精度提高。这可以使用现有的软件包有效地解决。我们的结果表明,在 EKF 中使用 ALS 估计的协方差,而不是手动调整的协方差,可将视觉伺服的平均误差降低 20% 以上,同时利用 MHE 生成 ALS 创新提供进一步 21% 的精度提高。