.png){kind=icon}
返回
Normalizing Flow-Enhanced Message Passing for Multirobot Collaborative Localization
.png){kind=icon}
OA
AI
DOI：10.1109/tro.2026.3750685.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确、鲁棒且自适应的定位对于各种机器人操作至关重要。本文提出了一种用于分布式协同定位的参数化消息传递（MP）算法，统一了高斯信念传播（GBP）用于机器人状态估计和均值场（MF）近似用于噪声推理。与传统的MP算法不同，所提出的公式直接优化信念的自然参数，建立了MP与梯度估计器之间的规范连接，以处理非线性测量模型引起的非共轭项。除了线性化和采样之外，我们还设计了一种基于归一化流（NF）的梯度估计器，实现了可学习的采样。端到端训练根据MP的行为调整NF参数，提高估计精度同时减少所需的迭代次数。为支持涉及旋转的机器人状态，该方法被扩展到李群空间。最后，该方法应用于融合里程计、全球导航卫星系统（GNSS）测量和机器人间超宽带（UWB）测距的多机器人定位任务。广泛的仿真和自主水面车辆（ASV）实验表明，该方法在测距异常值和变化噪声统计下具有卓越的状态估计精度、增强的鲁棒性和适应性，以及在不同操作条件下的良好泛化能力。
Keyword:
Message Passing
Multirobot Localization
Normalizing Flow
Belief Propagation
State Estimation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
