強化学習と情報マトリックス融合により最適化されたカルマンフィルターベースのローカライゼーション カリブレーション方法

科学分野:

• ロボット
• 人工知能
• 制御システム

背景:

• ダイナミックな環境は,フィルターパラメータの劣化と非効率的なデータ融合により,無人航空機 (UAV) の群集のローカライゼーションに課題をもたらす.
• 伝統的なローカライゼーション方法は 複雑で変化する条件下で 適応性とエラーの拡散に苦労します

研究 の 目的:

• ダイナミックな環境におけるUAV群のための最適化されたカルマンフィルターベースのローカライゼーションカリブレーション方法を開発する.
• 適応パラメータ調整と高度なデータ融合により,ローカライゼーションの精度,強度,システムの一貫性を向上させる.

主な方法:

• 補強学習 (RL) と情報マトリックス融合 (IMKF) を統合したカルマンフィルターベースの局所化の校正方法が提案されました.
• アクター・クリティックRLネットワークは,カルマンフィルターの適応性を改善するために,状態共変数行列を適応的に調整します.
• 多軌道の情報マトリックス融合戦略は,誤差の拡散を最小限に抑えるために情報領域の軌道のデータを集約します.

主要な成果:

• 提案されたRL-IMKF方法は,従来の拡張カルマンフィルター (EKF) 方法と比較して優れた局所精度と安定性を示した.
• シミュレーションデータと実際のセンサーデータを用いた実験結果は,RL-IMKFアプローチの有効性を検証した.
• この方法は,ダイナミックなシナリオにおけるUAV群の協同的なローカライゼーションを大幅に改善しました.

結論:

• RL-IMKF方法は,困難なダイナミックな環境でUAV群のローカライゼーションのための堅牢で適応的なソリューションを提供します.
• この研究は,マルチUAVシステムの信頼性と性能を向上させ,協同的なローカライゼーションに重要な進歩をもたらします.
• RL強化カルマンフィルターの適応性と融合戦略は,既存の方法の限界を克服する鍵です.