5Gと慣性データのグラフベースとエラーステートカルマンフィルターベースの融合によるMAVの屋内姿勢推定

概要 5G New Radioの到来時間（ToA）データは、マイクロ空中車両（MAV）の屋内位置特定を革命的に変える可能性があります。しかし、特にリアルタイムの位置特定のためにIMUデータと組み合わせたときのさまざまなネットワーク設定下での性能は、これまで十分に探求されていませんでした。本研究では、このギャップを解決するために、エラーステートカルマンフィルタ（ESKF）とポーズグラフ最適化（PGO）アプローチを開発します。5G基地局が視線内（LOS）にあるリアルなシナリオでのリアルタイムMAV位置特定に対する導出されたアプローチの性能を体系的に評価し、この分野における5G技術の可能性を示します。私たちの位置特定アプローチを実験的にテストし比較するために、シミュレーションによるが非常にリアルな5G ToA測定を用いてEuRoC MAVベンチマークデータセットを視覚慣性オドメトリー用に拡張します。実験結果は、基地局の数やネットワーク構成の変化を含むさまざまなネットワーク設定がToAベースのMAV位置特定性能に及ぼす影響を包括的に評価します。結果は、5G ToA測定を用いたシームレスで堅牢な位置特定のための有望な結果を示しており、5つの5G基地局を用いたグラフベースのフレームワーク内で軌跡全体にわたって15 cmの精度を達成し、ESKFベースの位置特定の場合には最大34 cmの精度を示しました。さらに、両アルゴリズムの実行時間を測定し、リアルタイム実装に十分な速さであることを示します。