Calibración auto-supervisada para sistemas robóticos

Presentamos un algoritmo genérico para la auto-calibración de sistemas robóticos que utiliza dos innovaciones clave. Primero, utiliza medidas teóricas de la información para identificar y almacenar automáticamente nuevas secuencias de medición. Esto mantiene el cálculo manejable al descartar información redundante y permite al sistema construir un conjunto de datos de calibración sparse pero completo a partir de datos recolectados en diferentes momentos. Segundo, dado que la observabilidad completa de los parámetros de calibración puede no estar garantizada para una secuencia de medición arbitraria, el algoritmo detecta y bloquea direcciones no observables en el espacio de parámetros utilizando una descomposición QR truncada del sistema Gauss-Newton. El resultado es un algoritmo que escucha un flujo de sensores entrante, construye un conjunto mínimo de datos para estimar los parámetros de calibración y actualiza los parámetros a medida que se vuelven observables, dejando los otros bloqueados en su suposición inicial. A través de un extenso conjunto de experimentos simulados y del mundo real, demostramos que nuestro método supera a los algoritmos de última generación en términos de estabilidad, precisión y eficiencia computacional.