Distributed Invariant Kalman Filter for Cooperative Localization using Matrix Lie Groups

本文研究了多机器人系统中的合作定位问题，即一组移动机器人通过使用机载传感器的测量和其他机器人共享的信息联合定位自身。我们提出了一种基于李群理论的分布式不变卡尔曼滤波器（DInEKF），用于解决三维环境下的合作定位问题。与标准的扩展卡尔曼滤波器（EKF）根据状态估计值进行线性化计算雅可比矩阵不同，DInEKF将机器人的运动模型定义在矩阵李群上，并提供了与状态估计无关的雅可比矩阵的优势。这显着提高了估计器的一致性。此外，所提出的算法是完全分布式的，仅依赖于每个机器人的自我运动测量和从其一跳通信邻居接收到的信息。所提出的算法的有效性在蒙特卡罗模拟和实际实验中得到了验证。结果表明，所提出的DInEKF在精度和一致性方面均优于标准的分布式EKF。

本论文旨在解决多机器人系统中的协作定位问题。通过使用机载传感器的测量和其他机器人共享的信息，一组移动机器人共同定位自身。

本文提出了一种基于李群理论的分布式不变卡尔曼滤波器（DInEKF）来解决三维环境中的协作定位问题。相比标准的EKF，DInEKF定义了机器人的运动模型在矩阵李群上，从而提供了独立于状态估计的雅可比矩阵，从而显着提高了估计器的一致性。

本文提出的算法是完全分布式的，仅依赖于每个机器人的自我运动测量和从其一跳通信邻居接收到的信息。实验在Monte-Carlo模拟和真实世界实验中进行验证，结果表明，与标准分布式EKF相比，所提出的DInEKF在精度和一致性方面表现更好。

近期在这个领域中的相关研究包括：1. Multi-Robot Cooperative Localization Using Range-Only Measurements. 2. Distributed Multi-Robot Localization with Range-Only Measurements. 3. A Distributed Nonlinear State Estimation Algorithm for Multi-Robot Systems with Range Measurements.