Graph-Based vs. Error State Kalman Filter-Based Fusion Of 5G And Inertial Data For MAV Indoor Pose Estimation

本文研究了5G新无线电到达时间（ToA）数据在微型空中飞行器（MAVs）室内定位中的潜在革命性，尤其是在与IMU数据结合实现实时定位时，其在不同网络设置下的表现尚未得到充分探索。作者开发了一个误差状态卡尔曼滤波器（ESKF）和一个姿态图优化（PGO）方法，以填补这一空白。作者在具有5G基站的直线视距（LOS）的实际情景中，系统地评估了这些方法的MAV实时定位性能，展示了5G技术在该领域的潜力。为了实验测试和比较定位方法，作者使用高度逼真的5G ToA测量数据扩充了EuRoC MAV基准数据集，实验结果全面评估了不同网络设置对基于ToA的MAV定位性能的影响，包括基站数量和网络配置的变化。研究结果表明，使用5G ToA测量实现无缝和稳健的定位具有良好的前景，基于图形框架的5个5G基站的定位精度达到15厘米，在ESKF定位的情况下精度高达34厘米。此外，作者还测量了两种算法的运行时间，并表明它们都足够快以实现实时应用。

论文旨在探索使用5G New Radio Time of Arrival (ToA)数据结合IMU数据进行MAV室内定位的性能表现，特别是在不同网络设置下的表现。

论文提出了一个误差状态卡尔曼滤波器（ESKF）和姿态图优化（PGO）方法来解决这个问题，并通过实验评估了这些方法的性能。

论文使用模拟的5G ToA测量数据对EuRoC MAV基准数据集进行了扩充，并在不同网络设置下测试了定位方法的性能。结果表明，使用5G ToA测量数据进行MAV定位可以达到15厘米的精度，并且两种算法都足够快以实现实时定位。

与该论文相关的研究包括使用其他传感器进行室内定位，如WiFi和蓝牙信标，以及使用其他定位算法，如扩展卡尔曼滤波器（EKF）和非线性优化。