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

这篇文章探讨了5G新无线电到达时间（ToA）数据在微型空中车辆（MAVs）室内定位方面的潜力，特别是在与IMU数据相结合进行实时定位时的性能。作者开发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，并在具有5G基站的实际场景中系统评估了这些方法的性能，展示了5G技术在这个领域的潜力。为了实验测试和比较本文的定位方法，作者使用模拟的但高度逼真的5G ToA测量来扩充EuRoC MAV基准数据集的视觉惯性测距。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，包括不同基站数量和网络配置。研究结果表明，使用5G ToA测量实现无缝和稳健的定位表现出良好的结果，使用基于图的框架和五个5G基站时，精度在整个轨迹中达到15厘米，在ESKF定位的情况下，精度可达34厘米。此外，作者测量了两种算法的运行时间，并表明它们都足够快，可以实时实现。

本论文旨在探讨5G New Radio Time of Arrival (ToA)数据在室内微型飞行器（MAVs）定位方面的潜力，特别是在不同网络设置和与IMU数据相结合的情况下的表现。

该论文提出了一个误差状态卡尔曼滤波（ESKF）和姿态图优化（PGO）方法，以实现实时MAV定位，并在EuRoC MAV基准数据集上进行了实验验证。

实验结果表明，使用5G ToA测量实现的无缝和稳健的MAV定位精度可以达到15厘米，在ESKF定位的情况下可以达到34厘米。该论文还测量了两种算法的运行时间，并表明它们都足够快以进行实时实现。

在这个领域中，最近的相关研究包括：1. 'Indoor localization using 5G millimeter-wave massive MIMO: A deep learning approach'；2. '5G-VINet: Neural Network Based Vehicular Localization in 5G Millimeter Wave Networks'。