V2I Work Zone Geometry Reconstruction with Pose-Conditioned UWB Range Denoising
Department of Civil & Environmental Engineering, University of Wisconsin-Madison(威斯康星大学麦迪逊分校土木与环境工程系)
针对V2I工作区几何重建中UWB测距受突发异常、非视距误差和位姿不确定性的影响,提出一种位姿条件、排列等变的预测去噪器,通过共享锚点时间预测、对称集聚合和位姿条件残差解码,显著提升测距精度和几何重建质量。
2026-05-28 cs.AI cs.RO
MURP: Multi-Agent Ultra-Wideband Relative Pose Estimation with Constrained Communications in 3D Environments
MIT(麻省理工学院);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
本文提出MURP系统,通过为每个智能体配备多个UWB天线,仅依赖本地测距、先验约束和事件检测实现三维相对位姿估计,并结合学习偏差校正,在低通信成本下取得0.24米位置误差和9.5度航向误差的优异性能。
2024-08-11 cs.RO
CREPES: Cooperative RElative Pose Estimation System
Huzhou Institute of Zhejiang University(浙江大学湖州研究院);Zhejiang University(浙江大学)
相互定位在多机器人协作中起着至关重要的作用。CREPES是一种针对多机器人系统的六个自由度相对位姿估计的新系统。CREPES具有紧凑的硬件设计,使用有源红外(IR)LED,IR鱼眼相机,超宽带(UWB)模块和惯性测量单元(IMU)。通过利用IR光通信,该系统解决了视觉检测和UWB测距之间的数据关联。来自UWB的测距测量和来自相机的方向信息提供相对3-DOF位置估计。结合与邻居的相互相对位置和由IMU提供的重力约束,我们可以从传感器测量的单个帧估计6-DOF相对位姿。此外,我们设计了一个基于误差状态卡尔曼滤波器(ESKF)的估计器,以提高系统的精度和鲁棒性。当多个邻居可用时,应用位姿图优化(PGO)算法以进一步提高系统精度。我们进行了大量的实验,以证明CREPES的机器人对和一组机器人之间的准确性,以及在具有挑战性的条件下的性能。
2023-03-28 cs.RO
Deployment-Ready UWB Localization for Industrial Ground Robots with Automatic Anchor Calibration and Terrain-Aware Fusion
AGILOX Services GmbH(阿吉洛克斯服务有限公司);University of Klagenfurt(克拉根福大学)
研究工业地面机器人UWB定位问题,提出结合自动锚定校准与通用多传感器估计器的端到端管道,经实验验证该方法能在减少人工的同时保持定位精度,且可转移到其他平台,还公开了仓库数据集。
2026-08-04 cs.RO
Accurate position tracking with a single UWB anchor
École Polytechnique de Montréal(蒙特利尔理工学院);University of Tübingen(图宾根大学);Chongqing University(重庆大学);Technical University of Munich(慕尼黑工业大学)
精确定位和跟踪是机器人应用的基本要求。定位系统如GPS、光学跟踪、同时定位与地图构建(SLAM)用于日常生活活动、研究和商业应用。超宽带(UWB)技术提供了另一种在室内和室外精确定位设备的方法。在本文中,我们研究了一个单一的UWB锚定位解决方案,而不是传统的多锚设置。除了单个UWB测距源的挑战外,我们唯一需要的其他传感器是低成本的9 DoF惯性测量单元(IMU)。在这种配置下,我们建议连续监测UWB范围变化,以估计机器人在线移动时的速度。将速度估计与来自IMU传感器的方位估计相结合,系统变得时间可观测。我们使用扩展的卡尔曼滤波器(EKF)来估计机器人的位姿。通过我们的解决方案,我们可以有效地纠正累积误差,并保持准确的跟踪移动机器人。
2021-07-06 cs.RO
VIO-UWB-Based Collaborative Localization and Dense Scene Reconstruction within Heterogeneous Multi-Robot Systems
University of Turku(图尔库大学);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院(EPFL))
多机器人系统的有效协作需要精确和鲁棒的相对定位估计:从协作操作到协作感知,包括协作探索或协作运输。针对由地面机器人和微型飞行器(MAVs)组成的异构多机器人系统的稠密场景重建问题,提出了一种新的协作定位方法。我们解决了没有滑动时间窗口的完整相对姿态估计的问题,依靠基于UWB的测距和基于视觉惯性里程计(VIO)的自运动估计定位,同时利用激光雷达机载地面机器人在一个单一的参考系中的完整相对姿态估计。在操作期间,刚度特征值向系统提供反馈。为了解决在GNSS拒绝环境中的路径规划和避障的MAVs的挑战,我们保持地面机器人和MAVs之间的视线。由于能够进行密集重建的激光雷达具有有限的FoV,这给系统带来了新的约束。因此,我们提出了一种新的配方与Dubins多个旅行商问题的一个变种与邻域(DMTSPN),其中我们包括与地面机器人的有限FoV的约束。我们的方法进行了验证与模拟和实验与真实的机器人系统的不同部分。
2022-04-10 cs.RO
Robust simultaneous UWB-anchor calibration and robot localization for emergency situations
Institute of Engineering and Technology (ENTEG) at the Faculty of Science and Engineering, University of Groningen(工程学院(ENTEG)于格罗宁根大学)
针对紧急情况UWB锚点手动校准难的问题,提出基于因子图优化的框架,仅用机器人UWB和LiDAR数据同步完成锚点校准与定位,30秒内自动解决4锚点场景,提升准确性与部署效率。
2025-08-20 cs.RO
Semi-Supervised Novelty Detection for Precise Ultra-Wideband Error Signal Prediction
Politecnico di Torino(都灵理工大学)
针对环境反射和NLoS导致UWB定位可靠性下降的问题,提出基于指纹半监督新颖性检测的地图特定误差预测方法,并用视觉跟踪真值细粒度实验验证其性能。
2024-04-08 cs.RO
SmartPoser: Arm Pose Estimation with a Smartphone and Smartwatch Using UWB and IMU Data
Carnegie Mellon University(卡内基梅隆大学)
针对现有手臂姿态追踪方案存在隐私问题或需额外硬件的不足,提出SmartPoser方法,利用现成手机与智能手表的UWB和IMU数据,无需训练数据即可实现11.0cm中位误差的腕肘姿态估计。
2025-09-03 cs.CV cs.GR cs.HC
An IMM-based Decentralized Cooperative Localization with LoS and NLoS UWB Inter-agent Ranging
University of California Irvine(加州大学欧文分校)
本文研究了一组通信移动代理(例如,第一响应者或探索机器人)经由超宽带(UWB)代理间测距辅助航位推算。我们提出了一个松散耦合的合作定位算法,作为一个增强顶部的本地航位推算系统的每个移动代理。只有当代理想要处理它所采取的相对测量时,这种增强才变得活跃。本文的主要贡献是解决的挑战,在适当的处理UWB范围测量的框架下,一个松散耦合的合作定位。尽管UWB在视距(LoS)测距中提供了分米级的精度,但由于测量中的显著未知正偏差,其精度在非视距(NLoS)中显著降低。因此,UWB LoS和NLoS测距条件的测量模型是不同的,并且NLoS测量的适当处理需要偏置补偿措施。我们还表明,在实践中,测量模式鉴别器决定UWB距离测量的类型应该是概率性的。考虑到概率性质的NLoS标识符处理UWB代理间测距反馈时,我们采用了交互多模型(IMM)估计在我们的本地化过滤器。我们还提出了一个偏置补偿方法的NLoS超宽带测量。我们的合作定位的有效性证明了通过一组行人谁使用UWB相对距离测量自己之间,以提高他们的鞋安装INS的地理定位实验。
2020-12-30 cs.RO eess.SP
Distributed Relative Localization for Homogeneous Multi-Robot Systems through UWB Ranging and Limited Communications
Singapore University of Technology and Design(新加坡科技设计大学);Nanyang Technological University(南洋理工大学)
针对同构多机器人系统外观相似难以区分的问题,提出融合LiDAR、UWB与里程计的分布式相对定位方法,仅需机载UWB交换里程计数据,经仿真和实验验证其有效可靠。
2026-10-09 cs.RO
UTIL: An Ultra-wideband Time-difference-of-arrival Indoor Localization Dataset
University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所);University of Toronto Robotics Institute(多伦多大学机器人研究所);Vector Institute for Artificial Intelligence(向量人工智能研究所);Technical University of Munich(慕尼黑工业大学);Munich Institute for Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所)
该论文提出了UTIL,一个基于UWB TDOA的室内定位数据集,包含约150分钟飞行实验数据,用于基准测试移动机器人在杂乱环境中的定位性能。
2024-02-05 cs.RO
VR-SLAM: A Visual-Range Simultaneous Localization and Mapping System using Monocular Camera and Ultra-wideband Sensors
Nanyang Technological University(南洋理工大学)
在这项工作中,我们提出了一个同时定位与地图构建(SLAM)系统使用单目摄像机和超宽带(UWB)传感器。我们的系统被称为VRSLAM,是一个多阶段的框架,它利用了每个传感器的优势并补偿了它们的弱点。首先,我们引入了一个UWB辅助的7自由度(比例因子,3D位置和3D方向)的全球对齐模块初始化的视觉里程计(VO)系统中定义的UWB锚的世界帧。该模块松散融合的规模VO和测距数据使用二次约束二次规划(QCQP)或非线性最小二乘(NLS)算法的基础上是否有一个良好的初始猜测。其次,我们提供了一个伴随的理论分析,包括推导和解释的费舍尔信息矩阵(FISHER)及其行列式。第三,我们提出了UWB辅助光束法平差(UBA)和UWB辅助姿态图优化(UPGO)模块,以提高短期里程精度,减少长期漂移以及纠正任何对齐和比例误差。大量的仿真和实验表明,我们的解决方案优于UWB/摄像头和以前的方法,可以快速恢复跟踪失败,而不依赖于视觉重新定位,并可以毫不费力地获得一个全球地图,即使没有循环关闭。
2023-03-20 cs.RO
MILUV: A Multi-UAV Indoor Localization dataset with UWB and Vision
McGill University(麦吉尔大学);Polytechnique Montreal(蒙特利尔理工学院)
本文介绍了一个包含UWB和视觉测量的多无人机室内定位数据集MILUV,涵盖36次实验、217分钟飞行数据,并提供了开发工具包,用于测试和验证多机器人UWB和视觉定位算法。
2025-04-19 cs.RO
Fast Estimation of Relative Transformation Based on Fusion of Odometry and UWB Ranging Data
School of Mechatronic Engineering and Automation, Shanghai University(上海大学机电工程与自动化学院);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Institute of Artificial Intelligence, Shanghai University(上海大学人工智能研究院);School of Data Science, the Chinese University of HongKong, Shenzhen(香港中文大学(深圳)数据科学学院)
针对机器人间4-DOF相对变换估计,提出融合里程计与UWB测距的最大似然两步法,并给出UWB最优布置与实时应用条件。
2024-05-21 cs.RO math.OC
Relative Localization of Mobile Robots with Multiple Ultra-WideBand Ranging Measurements
Singapore University of Technology and Design(新加坡科技设计大学);University of Jaffna(贾夫纳大学);Southwest University of Science and Technology(西南科技大学)
在没有基础设施的情况下,自主机器人之间的相对定位对于在许多应用中实现其导航、路径规划和编队是至关重要的,例如紧急响应,在这些应用中获取环境的先验知识是不可能的。传统的超宽带(UWB)的方法提供了一个很好的估计机器人之间的距离,但获得相对位姿(包括位移和方向)仍然是具有挑战性的。我们提出了一种方法来估计一组机器人之间的相对姿态,每个机器人配备多个UWB测距节点。我们确定两个机器人之间的姿态最小化的残余误差的测距测量从所有UWB节点。为了提高定位精度,我们建议通过基于滑动窗口的优化利用里程限制。最后将优化后的位姿与测距融合在粒子滤波算法中,实现移动机器人群的位姿跟踪。我们已经进行了大量的实验,以验证所提出的方法的有效性。
2021-07-30 cs.AI cs.RO
FEJ-VIRO: A Consistent First-Estimate Jacobian Visual-Inertial-Ranging Odometry
Zhejiang University(浙江大学)
近年来,视觉惯性里程计(VIO)取得了许多重大进展。然而,VIO方法在长轨迹上遭受定位漂移。在本文中,我们提出了一个初步估计雅可比视觉惯性测距测距(FEJ-VIRO),以减少定位漂移的VIO框架\textit{consistently}的超宽带(UWB)测距测量。考虑到超宽带锚点的初始位置通常是不可用的,我们提出了一个长短窗口结构来初始化超宽带锚点的位置以及状态增强的协方差。初始化后,FEJ-VIRO估计UWB锚的位置,同时随着机器人的姿态。我们进一步分析了视觉惯性测距估计器的可观测性,证明了在理想情况下存在\textit{four}不可观测方向,而在实际情况下,由于虚假信息的增益,其中一个不可观测方向消失。基于这些分析,我们利用FEJ技术来执行不可观测的方向,从而减少估计的不一致性。最后,我们验证了我们的分析和评估建议FEJ-VIRO与模拟和现实世界的实验。
2022-07-17 cs.RO
Ultra-Wideband Aided Fast Localization and Mapping System
Nanyang Technological University(南洋理工大学)
本文提出了一种利用惯性传感器和深度相机的超宽带(UWB)辅助定位和映射系统。视觉里程计(VO)系统在短期内精度较高,但在长期或不利环境下仍面临误差积累的挑战。开发了一个通用框架,由三个并行线程,其中两个进行视觉惯性测距(VIO)和UWB定位分别。另一个映射线程将视觉跟踪约束与所提出的平滑和虚拟范围约束集成到姿态图中,使得执行优化以提供鲁棒的轨迹估计。实验表明,该系统能够实时创建密集的无漂移地图,即使在无特征的环境中运行在超低功耗的处理器上。
2017-09-30 cs.RO
Distributed Ranging SLAM for Multiple Robots with Ultra-WideBand and Odometry Measurements
Singapore University of Technology and Design(新加坡科技设计大学);Southwest University of Science and Technology(西南科技大学)
为了在多机器人系统中有效地完成任务,必须解决的问题是同时定位与地图构建(SLAM)。LiDAR(光探测和测距)由于其超高的精度已被用于许多SLAM解决方案,但其性能在隧道或长走廊等无特征环境中会下降。集中式SLAM解决了云服务器的问题,这需要大量的计算资源,并且缺乏对中心节点故障的鲁棒性。为了解决这些问题,我们提出了一个分布式SLAM解决方案,估计一组机器人使用超宽带(UWB)测距和里程测量的轨迹。所提出的方法将处理分布在机器人团队之间,并显着减轻了集中式SLAM中出现的计算问题。我们的解决方案确定两个机器人之间的相对姿态(也称为闭环),通过最小化UWB测距测量时,在不同的位置,机器人是在接近。UWB在视线条件下提供了良好的距离测量,但由于测距噪声和机器人行进的不可预测路径,检索精确的姿态估计仍然是一个挑战。为了处理可疑的循环闭包,我们使用成对一致性最大化(PCM)来检查循环闭包的质量并执行离群值拒绝。然后将过滤后的回路闭合与分布式姿态图优化(DPGO)模块中的里程计融合,以恢复机器人团队的完整轨迹。大量的实验进行了验证所提出的方法的有效性。
2022-07-08 cs.RO
Moving Object Localization based on the Fusion of Ultra-WideBand and LiDAR with a Mobile Robot
Singapore University of Technology and Design(新加坡科技设计大学);Nanyang Technological University(南洋理工大学);Southwest University of Science and Technology(西南科技大学)
针对LiDAR在目标被遮挡时定位不准的问题,提出融合UWB测距与LiDAR的三模块方法,通过目标识别、方向估计及位姿图优化,提高移动目标定位精度。
2023-10-16 cs.RO
SaWa-ML: Structure-Aware Pose Correction and Weight Adaptation-Based Robust Multi-Robot Localization
School of Electrical Engineering, KAIST(韩国科学技术院电子工程学院);Laboratory for Information & Decision Systems (LIDS)(信息与决策系统实验室);Massachusetts Institute of Technology(麻省理工学院)
SaWa-ML提出一种视觉-惯性-UWB融合的多机器人定位方法,利用UWB测距不累积误差的特性进行结构感知位姿校正,并设计自适应权重,显著降低长期漂移并提升定位鲁棒性。
2025-07-18 cs.RO
Onboard Real-Time Multi-Sensor Pose Estimation for Indoor Quadrotor Navigation with Intermittent Communication
KTH Royal Institute of Technology(瑞典皇家理工学院);Cyprus University of Technology(塞浦路斯理工大学);University of Cyprus(塞浦路斯大学);Aalto University(阿尔托大学)
我们提出了一个多传感器融合框架,用于在室内环境中的四旋翼机的机载实时的【形】导航,通过集成来自惯性测量单元(IMU),基于相机的目标检测算法和超宽带(UWB)定位系统的传感器读数。来自基于相机的目标检测算法和UWB定位系统的传感器读数间歇地到达,因为测量值不容易获得。我们设计了一个卡尔曼滤波器,管理间歇性的意见,以处理和融合的读数,并估计姿态的四旋翼跟踪预定义的轨迹。该系统通过硬件在环(HIL)仿真技术实现,其中四旋翼的动态模型在开源3D机器人仿真器工具中进行仿真,整个导航系统在支持人工智能(AI)的边缘GPU上实现。仿真结果表明,我们提出的框架提供低定位和轨迹误差,同时处理间歇传感器测量。
2022-12-03 cs.RO cs.SY eess.SY
ULOC: Learning to Localize in Complex Large-Scale Environments with Ultra-Wideband Ranges
School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院);Faculty of Electrical and Electronic Engineering, Ho Chi Minh City University of Technology(胡志明市技术大学电气与电子工程学院)
针对大规模环境下UWB定位精度与可靠性不足的问题,提出基于学习的ULOC框架,结合先验地图生成训练标签,用MAMBA网络学习UWB测距模式,实现大规模场景下的高精度定位并开源代码。
2024-09-17 cs.LG cs.RO
IMU Preintegration for Multi-Robot Systems in the Presence of Bias and Communication Constraints
本文补充说明如何在多机器人相对位姿估计框架中融入IMU偏差,同时保持微分Sylvester方程形式。
2023-10-16 cs.RO
Collaborative Localization and Tracking with Minimal Infrastructure
École Polytechnique de Montréal(蒙特利尔高等理工学院);University of Tübingen(图宾根大学)
定位和跟踪是机器人、自动化和物联网研究的两个非常活跃的领域。对大量设备的精确跟踪通常需要部署大量基础设施(红外跟踪系统、摄像机、无线天线等),这对于不可接近的或受保护的环境是不理想的。本文源于这样的环境所带来的挑战:覆盖大量的单元分布在大量的小房间,以最小的本地化基础设施。这个想法是准确地跟踪手持设备或移动机器人的位置,而不会干扰其架构。利用超宽带(UWB)设备,我们利用我们在分布式和协作机器人系统方面的专业知识,开发了一种需要最少数量的固定锚的新型解决方案。我们讨论了一种策略,共享UWB网络与扩展的卡尔曼滤波器推导协作定位和跟踪UWB装备的设备,并显示结果,从我们的实验活动跟踪游客在法国香波堡。
2019-05-07 cs.RO eess.SP
Mr. Virgil: Learning Multi-robot Visual-range Relative Localization
Institute of Cyber-Systems and Control, Zhejiang University(浙江大学控制系统研究所);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
Mr. Virgil通过图神经网络和可微分PGO后端实现多机器人视觉范围相对定位,提升定位精度与鲁棒性。
2025-12-11 cs.RO
UWB Ranging and IMU Data Fusion: Overview and Nonlinear Stochastic Filter for Inertial Navigation
Carleton University(卡尔顿大学);The Hong Kong Polytechnic University(香港理工大学);Georgia Institute of Technology(佐治亚理工学院)
针对惯性导航需求,本文提出融合UWB与IMU的非线性随机互补滤波器,基于$\text{SE}_2(3)$扩展李群设计以避免奇异性与非唯一性,可处理协方差上界未知的IMU噪声,经公开MAV飞行数据集验证具备鲁棒性。
2023-08-25 cs.RO cs.SY eess.SY
Radio-based Multi-Robot Odometry and Relative Localization
Service Robotics Laboratory. University Pablo de Olavide(服务机器人实验室。 Pablo de Olavide 大学);Department of System Engineering and Automation(系统工程与自动化系)
本文提出了一种基于UWB和雷达的多机器人相对定位系统,利用低成本传感器和优化框架实现鲁棒的相对位置估计,并通过SITL模拟和真实数据验证,优于现有闭式方法。
2026-03-07 cs.RO
VIRAL-Fusion: A Visual-Inertial-Ranging-Lidar Sensor Fusion Approach
School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院)
近年来,基于摄像机或激光雷达的星上自定位方法取得了许多重大进展。然而,一些问题,如估计漂移和特征依赖性仍然存在固有的局限性。另一方面,基于基础设施的方法通常可以克服这些问题,但以一些安装成本为代价。这就提出了一个有趣的问题,如何有效地结合这些方法,以实现本地化与长期的一致性以及灵活性相比,任何单一的方法。为此,我们提出了一个全面的基于优化的估计器的15维状态的无人机(UAV),融合数据从一个广泛的传感器集:惯性测量单元(IMU),超宽带(UWB)测距传感器,和多个机载视觉惯性和激光雷达测距子系统。从本质上讲,滑动窗口是用来制定一系列的机器人姿态,这些姿态之间的相对旋转和平移约束的IMU预集成和OSL观测,而方向和位置耦合在身体偏移UWB范围观测。一个基于优化的方法来估计机器人在这个滑动窗口的轨迹。我们评估了所提出的方案在多个场景下的性能,包括在公共数据集,高保真图形物理模拟器和无人机飞行测试现场收集的数据上的实验。结果表明,我们的集成定位方法可以有效地解决漂移问题,同时产生最小的安装要求。
2020-10-23 cs.RO cs.SY eess.SY
CT-VIR: Continuous-Time Visual-Inertial-Ranging Fusion for Indoor Localization with Sparse Anchors
School of Mathematics, Hefei University of Technology(合肥工业大学数学学院)
本文提出一种基于样条的连续时间状态估计方法,用于视觉-惯性-测距融合定位,通过预处理阶段构建虚拟锚点并拒绝异常值,提升几何退化和测距可靠性,采用B样条参数化姿态轨迹并联合优化控制点和辅助参数,实验证明其有效性。
2026-04-16 cs.RO
Error State Extended Kalman Filter Multi-Sensor Fusion for Unmanned Aerial Vehicle Localization in GPS and Magnetometer Denied Indoor Environments
University of Zagreb(萨格勒布大学)
本文讨论了无人机(UAV)室内导航的问题,特别是在GPS和磁力计传感器测量不可用或不可靠的地区。所提出的解决方案是在多传感器融合的背景下使用误差状态扩展卡尔曼滤波器(ES-EKF)。它的实施是适应融合测量从多个传感器源和状态模型扩展到考虑传感器漂移和可能的校准不准确。通过将从PixHawk 2.1飞行控制器获得的IMU数据与来自LiDAR Cartographer SLAM的姿态测量、英特尔T265相机提供的视觉里程计和来自Pozyx UWB室内定位系统的位置测量进行融合来进行实验验证。从ES-EKF的估计里程验证地面实况数据从Optitrack运动捕捉系统和它的使用在位置控制回路中,以稳定的无人机进行了演示。
2021-09-10 cs.RO
Multi-Robot Relative Pose Estimation in SE(2) with Observability Analysis: A Comparison of Extended Kalman Filtering and Robust Pose Graph Optimization
Inha University(仁荷大学)
本研究针对多机器人相对位姿估计的可观测性,比较EKF与鲁棒PGO在仿真和硬件实验中的精度,提出不同感知通信结构下的估计方案。
2024-02-04 cs.CV cs.RO cs.SY
Embedding Pose Graph, Enabling 3D Foundation Model Capabilities with a Compact Representation
Apple(苹果公司)
本文提出Embedding Pose Graph(EPG),通过将基础模型特征附加到位姿图节点上,以轻量紧凑的3D表示支持开放词汇查询、导航和重定位等机器人任务,在重定位上超越现有方法。
2024-11-13 cs.RO
Low-Cost Infrastructure-Free 3D Relative Localization with Sub-Meter Accuracy in Near Field
Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology(电子与计算机工程系,香港科学与技术大学);HKUST-Bright Dream Robotics Joint Research Institute(香港科技大学-Bright Dream Robotics联合研究机构);IOT Thrust, HKUST (Guangzhou)(物联网方向,香港科技大学(广州))
针对UAV近场三维相对定位,提出基于UWB的无基础设施框架,推导CRLB与GDOP,开发EDM和MLE算法,仿真与实验验证亚米级精度,支持单传感器部署。
2025-06-23 cs.MA cs.RO cs.SY
2D-3D Pose Tracking with Multi-View Constraints
School of Electronic Information, Wuhan University(武汉大学电子信息学院);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);School of Computer Science, Wuhan University(武汉大学计算机学院)
针对逐帧 2D-3D 相机定位忽略帧间关系导致跟踪不稳的问题,提出融合 2D-2D 匹配与多视图约束的位姿跟踪框架,并在 KITTI、Argoverse 上验证其优于现有方法。
2023-09-20 cs.RO
Range-only Collaborative Localization for Ground Vehicles
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Beijing Jiaotong University(北京交通大学)
在完成各种任务时,对一组车辆进行高精度的绝对定位是必不可少的。作为一种有前途的方法,协同定位融合的个人运动测量和车辆间的测量,以协同估计的状态。在本文中,我们专注于测距协作定位,它指定车辆间的测量作为车辆间的测距测量。我们首先调查系统的可观测性,并得出,以实现有界的定位误差,两辆车需要保持静态像外部基础设施。在可观测性分析的指导下,我们提出了我们的纯距离协同定位系统,将地面车辆分为静态车辆和动态车辆。利用UWB网络连接车辆,UWB网络能够产生车辆间测距测量和通信。仿真结果验证了可观测性分析,并表明,协同定位是能够实现更高的精度时,利用车辆间的测量。广泛的实验结果进行了3和5辆车的团队。真实世界的结果表明,我们提出的系统能够准确和实时估计所有车辆的绝对姿态。
2019-12-03 cs.RO eess.SP
Vision-based Robotic Grasping From Object Localization, Object Pose Estimation to Grasp Estimation for Parallel Grippers: A Review
CloudMinds Technologies(达闼科技)
本文对基于视觉的机器人抓取进行了全面的综述。总结了基于视觉的机器人抓取过程中的三个关键任务:物体定位、物体姿态估计和抓取估计。具体地说,目标定位任务包括无分类目标定位、目标检测和目标实例分割。该任务提供输入数据中的目标对象的区域。物体位姿估计任务主要是指估计6D物体位姿,包括基于对应关系的方法、基于模板的方法和基于投票的方法,其提供已知物体的抓取位姿的生成。抓取估计任务包括2D平面抓取方法和6DoF抓取方法,其中前者被约束为从一个方向抓取。这三个任务可以通过不同的组合来完成机器人抓取。许多目标位姿估计方法不需要目标定位,而是将目标定位和目标位姿估计联合进行。许多抓取估计方法不需要目标定位和姿态估计,而是以端到端的方式进行抓取估计。本调查详细回顾了传统方法和基于RGB-D图像输入的最新深度学习方法。相关的数据集和国家的最先进的方法之间的比较也进行了总结。此外,还指出了基于视觉的机器人抓取的挑战和解决这些挑战的未来方向。
2020-10-26 cs.CV cs.RO