To improve robustness of the state estimation in robotics, optimizing over multiple sensor observations should be based on reliable measurement model. In this thesis, we present the measurement error model focusing on uncertainty in different sensor observations. In particular, our focus is on sensor fusion applications where reliable uncertainty is useful. Uncertainty estimation becomes a general solution to weigh on better mean values among complementary estimations. Although uncertainty does not improve the individual estimations, but it does improve robustness of the entire system by choosing reliable observation.
First, we examine different state parameterizations for robot pose. We find out that the state represented with Lie groups is advantageous especially in reliable uncertainty propagation without suffering from linearization error. To prove it, we analyzed monotonicity of uncertainty propagated on different state space (pose-only state versus pose and velocity state) and different geometric space (Euclidean vector space versus Lie groups). We have shown that inclusion of velocity state helps shrinkage of uncertainty during exploration less likely happen, but the ultimate solution is to use Lie groups for propagating uncertainty.
Second, we introduce covariance learning for visual odometry particularly in regard to integration to another sensor. Differing from the existing supervised manner, we suggest an unsupervised loss for uncertainty modelling by learning balanced uncertainties. Most importantly, we overcome the limitation of learning a single sensor uncertainty by newly introducing uncertainty balancing between different sensor modalities. In doing so, we alleviate the uncertainty balancing issue between sensors often encountered in the multi-sensor SLAM application.
Third, we propose a robust-backend, which is applicable even when the measurement uncertainty is unknown. We solve this problem by considering different sensor measurements as a pair. Specifically, we penalize measurements with large relative errors compared to their paired counterparts, instead of penalizing measurements with large absolute errors. As a result, the proposed method is less vulnerable to tuning user parameters, such as initial switching value γ in Switchable Constraints (SC) or scaling prior Φ in Dynamic Covariance Scaling (DCS).
로봇 상태 추정의 견고성을 향상 시키려면 여러 센서 관측에 대한 최적화는 신뢰할 수있는 측정 모델이 필요하다. 본 논문에서는 다양한 센서 관측의 불확실성에 초점을 맞춘 오류 모델을 제시다. 특히, 센서 융합 기술에 신뢰할 수있는 불확실성을 적용하여 그 유용성을 확인했다. 불확실성 추정은 상호 보완적인 서로 다른 추정값 중 더 나은 평균값을 가늠하게 하는 일반적인 솔루션을 제공할 수 있다. 불확실성은 개별 추정을 개선하지는 않지만 신뢰할 수 있는 관측값을 선택하여 전체 시스템의 견고성을 개선한다.
먼저 로봇 포즈에 대한 다양한 상태 매개 변수를 조사한다. 이 연구에서는 Lie 그룹으로 표현 된 상태가 선형화 오류없이 신뢰할 수 있는 불확실성 전파에 특히 유리하다는 것을 알아냈다. 이를 증명하기 위해 다른 상태 공간 (포즈 전용 상태 대 포즈 및 속도 상태)과 다른 기하학적 공간 (유클리드 벡터 공간 대 Lie 그룹)에 전파 된 불확실성의 단조성을 분석했다. 이를 통해 속도 상태의 포함이 탐사 중 불확실성의 축소 문제를 해결할 수 있다는 것을 보여 주었지만 궁극적인 해결책은 불확실성 전파를 위해 Lie 그룹을 사용하는 것임을 증명하였다.
둘째로 다른 센서와의 통합과 관련하여 visual odometry (VO)에 대한 공분산 학습을 소개한다. 기존의 감독 방식과는 달리, 우리는 불확실성 모델링에 대한 비감독 손실을 제안한다. 특히 서로 다른 센서 양식간에 불확실성 균형을 도입함으로써 단일 센서로 불확실성을 학습하는 한계를 극복하였다. 이를 통해 다중 센서 simultaneous localization and mapping (SLAM) 애플리케이션에서 종종 발생하는 센서 간의 불확실성 균형 문제를 완화하였다.
셋째로 측정 불확실성을 알 수없는 경우에도 적용 할 수있는 강력한 SLAM back-end 기법을 제안한다. 서로 다른 센서 측정을 한 쌍으로 고려하여 불확실성을 모델링하여 문제를 해결한다. 특히 절대 오차가 큰 측정 값에 페널티를주는 대신에, 쌍을 이룬 측정 오차를 비교하여 상대적인 오차가 큰 측정 값에 페널티를 주었다. 그 결과, 제안하는 방법은 사용자 조정 매개변수에 덜 민감한 특성을 갖게 된다.
