Un método de calibración de localización basado en filtros de Kalman optimizado por aprendizaje de refuerzo y fusión...

Área de la Ciencia:

• La robótica
• Inteligencia artificial
• Sistemas de control

Sus antecedentes:

• Los entornos dinámicos plantean desafíos para la localización de enjambres de vehículos aéreos no tripulados (UAV) debido a la degradación de los parámetros del filtro y la fusión ineficiente de datos.
• Los métodos tradicionales de localización luchan con la adaptabilidad y la propagación de errores en condiciones complejas y cambiantes.

Objetivo del estudio:

• Desarrollar un método de calibración de localización optimizado basado en el filtro Kalman para enjambres de UAV en entornos dinámicos.
• Mejorar la precisión de la localización, la robustez y la consistencia del sistema a través del ajuste de parámetros adaptativos y la fusión de datos avanzada.

Principales métodos:

• Se propuso un método de calibración de localización basado en el filtro de Kalman que integra el aprendizaje por refuerzo (RL) y la fusión de la matriz de información (IMKF).
• Una red RL crítica de actores ajusta de forma adaptativa la matriz de covarianza de estado para mejorar la adaptabilidad del filtro Kalman.
• Una estrategia de fusión de matriz de información de múltiples trayectorias agrega datos de trayectoria en el dominio de la información para minimizar la propagación de errores.

Principales resultados:

• El método RL-IMKF propuesto demostró una precisión y estabilidad de localización superiores en comparación con los métodos tradicionales de filtro extendido de Kalman (EKF).
• Los resultados experimentales utilizando datos de sensores simulados y del mundo real validaron la eficacia del enfoque RL-IMKF.
• El método mejoró significativamente la calibración de localización cooperativa para enjambres de UAV en escenarios dinámicos.

Conclusiones:

• El método RL-IMKF ofrece una solución robusta y adaptativa para la localización de enjambres de UAV en entornos dinámicos desafiantes.
• Esta investigación proporciona un avance significativo en la localización cooperativa, mejorando la confiabilidad y el rendimiento de los sistemas multi-UAV.
• La naturaleza adaptativa del filtro Kalman mejorado con RL y la estrategia de fusión son clave para superar las limitaciones de los métodos existentes.