Vielseitige verteilte Positionsschätzung und Sensor-Selbstkalibrierung für ein autonomes MAV

In diesem Papier präsentieren wir ein vielseitiges Framework, um autonome Flüge eines Mikro-Luftfahrzeugs (MAV) zu ermöglichen, das nur langsame, geräuschbehaftete, verzögerte und möglicherweise willkürlich skalierte Messungen zur Verfügung hat. Die Nutzung solcher Messungen direkt für die Positionsregelung wäre praktisch unmöglich, da MAVs eine große Agilität in der Bewegung aufweisen. Darüber hinaus stammen diese Messungen oft von einer Auswahl verschiedener Bord- Sensoren, weshalb eine genaue Kalibrierung entscheidend für die Robustheit der Schätzprozesse ist. Hier gehen wir diese Probleme mit einer EKF-Formulierung an, die diese Messungen mit Inertialsensoren fusioniert. Wir schätzen nicht nur die Pose und Geschwindigkeit des MAV, sondern auch die Sensorabweichungen, den Maßstab der Positionsmessung und die Selbst-(Inter-Sensor)-Kalibrierung in Echtzeit. Darüber hinaus zeigen wir, dass es möglich ist, eine Gierabschätzung nur aus Positionsmessungen zu erhalten. Wir demonstrieren, dass das vorgeschlagene Framework in der Lage ist, vollständig an Bord eines MAV zu arbeiten und eine Zustandsvorhersage mit einer Frequenz von 1 kHz durchzuführen. Unsere Ergebnisse zeigen, dass dieser Ansatz in der Lage ist, Messverzögerungen (bis zu 500 ms), Rauschen (Standardabweichung bis zu 20 cm) und langsame Aktualisierungsraten (bis zu 1 Hz) zu bewältigen, während dynamische Manöver weiterhin möglich sind. Wir präsentieren eine detaillierte quantitative Leistungsbewertung des realen Systems unter dem Einfluss verschiedener Störparametern und unterschiedlicher Sensorkonfigurationen, um die Vielseitigkeit unseres Ansatzes hervorzuheben.