Degradation-Aware Cooperative Multi-Modal GNSS-Denied Localization Leveraging LiDAR-Based Robot Detections

Resumen Técnico: Localización Cooperativa Multi-Modal Consciente de la Degradación en Entornos Sin GNSS, Aprovechando Detecciones de Robots Basadas en LiDAR

Enunciado del Problema
La localización precisa a largo plazo en entornos sin Sistema de Navegación por Satélite Global (GNSS) es crítica para los robots autónomos. Aunque los robots individuales suelen confiar en la fusión de múltiples modalidades de sensores (por ejemplo, LiDAR y cámaras) para mitigar las degradaciones de sensores individuales, llevar todos los tipos de sensores en una sola plataforma aumenta el tamaño, el peso y la demanda de energía. Distribuir los sensores entre un equipo heterogéneo de robots (por ejemplo, robots equipados con LiDAR y robots equipados con cámaras) mejora la capacidad de despliegue, pero introduce desafíos significativos. Específicamente, fusionar datos multi-modales asíncronos de plataformas en movimiento independiente requiere manejar mediciones no sincronizadas, detecciones inter-robot anónimas y niveles variables de fiabilidad del sensor sin referencias de posición global. Los métodos existentes de multi-robot fuertemente acoplados a menudo exigen un alto ancho de banda y una asociación de datos compleja, mientras que los enfoques estándar débilmente acoplados pueden fallar al ponderar adaptativamente las entradas cuando sensores específicos se degradan.

Metodología
Los autores proponen un nuevo marco de localización cooperativa multi-robot, multi-modal y débilmente acoplado, adaptativo, formulado como un grafo de factores. El sistema integra datos de un robot de Odometría Inercial con LiDAR (LIO) (Robot $X$) y uno o más robots de Odometría Inercial Visual (VIO) (Robot $Y$, $Z$, etc.), utilizando detecciones directas en 3D de robots por la plataforma equipada con LiDAR.

Los componentes técnicos clave incluyen:

1. Formulación del Grafo de Factores: El problema se modela utilizando variables de pose $SE(3)$ y factores que representan priores, odometría relativa y detecciones inter-robot. Todos los marcos de referencia están restringidos a estar alineados con la gravedad (cero alabeo y cabeceo), reduciendo el estado a 4 Grados de Libertad (GDL) por pose.
2. Factor de Detección Basado en Interpolación: Para manejar la odometría y los datos de detección asíncronos, los autores introducen un nuevo factor cuaternario. Este factor conecta variables de pose temporalmente adyacentes de los robots que detectan y los detectados mediante interpolación lineal en la variedad $SE(3)$. Esto permite la fusión de mediciones en instantes de tiempo arbitrarios sin requerir propagación de odometría de alta frecuencia ni sincronización estricta.
3. Ponderación Adaptativa de LIO: La fiabilidad de la localización basada en LiDAR se evalúa analizando el valor propio mínimo de la Hessiana aproximada de la función de costo de emparejamiento de escaneos. Si el valor propio cae por debajo de un umbral (indicando degeneración, por ejemplo, en entornos sin características), la covarianza de la pose relativa LIO se infla significativamente, lo que efectivamente reduce el peso de los datos poco fiables.
4. Ponderación Adaptativa de VIO mediante Distancia de Wasserstein: Para VIO, que genera matrices de covarianza, los autores proponen un nuevo método para ponderar los factores de pose relativa. Calculan la distancia 2-Wasserstein entre las distribuciones de probabilidad (matrices de covarianza) de las salidas consecutivas del filtro VIO. Esta distancia sirve como proxy para la incertidumbre de la pose relativa, teniendo en cuenta las covarianzas cruzadas desconocidas entre pasos consecutivos del filtro. La varianza del factor de pose relativa VIO se escala proporcionalmente a esta distancia de Wasserstein, permitiendo que el sistema se adapte a cambios repentinos en la disponibilidad de características visuales o en la calidad del seguimiento.
5. Análisis de Observabilidad: El artículo proporciona un análisis teórico de la observabilidad del sistema bajo diversos escenarios de degradación. Demuestra que, sin priores globales, el sistema tiene traslación y guiñada no observables. Críticamente, identifica que en caso de degradación de LIO, un solo robot detectado deja un GDL (guiñada y traslación perpendicular) no observable, mientras que detectar múltiples robots resuelve esta ambigüedad. Por el contrario, la degradación de VIO hace que la guiñada del robot detectado sea no observable.

Contribuciones Clave

• Fusión Débilmente Acoplada Adaptativa: Un método que fusiona datos LIO y VIO con detecciones directas en 3D inter-robot sin requerir reconocimiento de lugares ni suites de sensores idénticas en todos los robots.
• Factor Basado en Interpolación: Un nuevo factor que permite la fusión eficiente de mediciones no sincronizadas de robots distintos.
• Ponderación por Distancia de Wasserstein: Un nuevo enfoque para ponderar poses relativas VIO basado en la distancia de Wasserstein entre covarianzas consecutivas del filtro, permitiendo una adaptación robusta a la incertidumbre VIO variable sin modificar el algoritmo de odometría subyacente.
• Análisis Teórico de Observabilidad: Un análisis riguroso del problema de localización cooperativa bajo degradaciones de odometría, identificando direcciones específicas no observables y las condiciones (por ejemplo, número de robots detectados) requeridas para resolverlas.

Resultados Experimentales
El método se evaluó en conjuntos de datos del mundo real que involucraban equipos heterogéneos de Vehículos Terrestres No Tripulados (UGV) y Vehículos Aéreos No Tripulados (UAV) tanto en entornos interiores (verdad de terreno de captura de movimiento) como exteriores (verdad de terreno RTK).

• Rendimiento bajo Degradación: En escenarios donde VIO se degradó artificialmente (por ejemplo, imágenes de cámara en negro), el método cooperativo redujo el Error de Trayectoria Absoluta 3D (ATE) del UAV de 4.671 m a 0.101 m. En escenarios exteriores con degradación significativa de LIO (suelo sin características), el método redujo el error de posición del UAV equipado con LiDAR de 74.591 m a 10.373 m.
• Validación de la Distancia de Wasserstein: Se encontró una fuerte correlación positiva entre la distancia de Wasserstein y el error de localización real, validando su uso como métrica de ponderación. Un estudio de ablación confirmó que la ponderación adaptativa basada en la distancia de Wasserstein superó significativamente a los ajustes de varianza estáticos, particularmente en la prevención de fallos de estimación durante caídas repentinas de la precisión de VIO.
• Verificación de Observabilidad: Los experimentos confirmaron los hallazgos teóricos: cuando la odometría del robot LiDAR se degradó, el sistema exhibió deriva en la dirección no observable si solo se detectó un robot, pero esta deriva se mitigó cuando se detectaron dos robots. De manera similar, la guiñada de un robot solo VIO permaneció no observable incluso con localización cooperativa, consistente con el análisis teórico.

Significado y Afirmaciones
El artículo afirma que el enfoque propuesto proporciona una solución robusta para equipos de robots heterogéneos que operan en entornos sin GNSS. Al aprovechar detecciones directas en 3D y ponderar adaptativamente las entradas de sensores basándose en un análisis de degradación en tiempo real, el método mejora significativamente la precisión de localización en comparación con algoritmos de odometría individuales cuando los sensores se ven comprometidos. Los autores enfatizan que el enfoque permite la cooperación sin requerir que cada robot lleve una suite completa de sensores, mejorando así la capacidad de despliegue. El trabajo es modesto en su alcance, centrándose en el caso específico de la fusión LIO/VIO con detecciones basadas en LiDAR, y señala explícitamente que, aunque el método maneja bien las incertidumbres variables, no puede resolver la guiñada de un robot que carece de sus propios sensores determinantes de guiñada (como un robot solo VIO) sin información externa adicional.