《Measurement》:Robust inertial navigation via deep learning-aided perception and uncertainty-driven fusion
编辑推荐:
•HTAN 通过原始惯性测量单元(IMU)数据学习3D车身框架速度,具有抗振动能力。•虚拟3D速度传感器消除了横向速度为零的假设。•异方差不确定性被映射到动态卡尔曼滤波器(IEKF)的测量协方差中。•自适应概率融合技术在不依赖全球导航卫星系统(GNSS)的情况下实现了稳定的导航。
- •
HTAN 通过原始惯性测量单元(IMU)数据学习3D车身框架速度,具有抗振动能力。
- •
虚拟3D速度传感器消除了横向速度为零的假设。
- •
异方差不确定性被映射到动态卡尔曼滤波器(IEKF)的测量协方差中。
- •
自适应概率融合技术在不依赖全球导航卫星系统(GNSS)的情况下实现了稳定的导航。
引言
在隧道、地下停车场以及其他无法使用GNSS的环境中,连续且精确的车辆定位对于自动驾驶和移动机器人技术来说仍然是一个基本的挑战。由于惯性导航系统(INS)具有自主感测能力和高输出频率,当外部定位信号不可用时,它被广泛用于支持车辆状态估计[1]、[2]、[3]。然而,低成本的微机电系统(MEMS)惯性传感器容易受到测量噪声、偏差不稳定性和比例因子误差的影响。仅依赖独立的惯性传感器会导致误差随时间累积,从而增加定位漂移[4]。因此,如何结合辅助约束或构建额外的观测模型来抑制INS的漂移已成为惯性导航领域的一个重要研究课题[5]、[6]。
非完整约束(NHC)基于车辆运动学原理,被广泛用于抑制惯性漂移。传统的NHC方法假设车身框架中的横向和垂直速度近似为零。然而,在急转弯、侧滑或在不平道路上行驶等复杂操作中,这一假设可能被打破。为了解决模型不匹配的问题,现有研究通过自适应滤波或结合车辆运动学先验来提高系统的鲁棒性。在自适应滤波中,李等人[7]提出了一种基于创新的自适应噪声调整策略,通过实时监控观测质量来动态增加NHC的测量协方差。肖等人[8]设计了一种基于残差注意力网络的置信度估计算法,用于学习NHC伪观测的可靠性权重,而不是直接修正速度。为了在多种情况下优化约束建模,黄等人[9]整合了车辆动力学模型(VDM),并设计了一种从物理方程中推导纵向速度的轮速预测器。
然而,这些以NHC为中心的策略主要是在运动学假设被违反时减轻或减少NHC相关更新的权重。在涉及显著横向或垂直运动的情况下,这些方法可能会减少滤波器可用的校正输入,从而增加对惯性传播的依赖。此外,它们也无法在高度动态的操作中直接提供学习到的3D速度观测数据。
除了基于NHC的更新方法外,衰落滤波、强跟踪滤波和模型预测滤波也被用于解决综合导航中的动态、过程和运动学模型不匹配问题[10]、[11]、[12]、[13]。针对运动学或观测模型误差及不确定噪声统计特性,还开发了随机权重调整和协方差适应方法[14]、[15]、[16]、[17]、[18]。集合成员资格和拟合滤波[19]、[20]、[21]在有限或系统性不确定性下提供了鲁棒的替代方案,而基于导数的UKF公式及其随机稳定性也被用于非线性综合导航[22]、[23],同时约束粒子滤波方法也被开发用于在状态或环境约束条件下的车辆和综合导航[24]、[25]。
为了减少对人工设置的先验的依赖,深度神经网络越来越多地被应用于惯性导航中,无论是用于调整滤波器参数,还是从原始IMU数据中回归辅助伪观测值。Brossard等人[26]使用CNN来调整与NHC相关的测量噪声协方差,展示了仅使用IMU进行航位推算时的基于学习的协方差适应。Wang等人[27]设计了SdoNet用于前向速度预测,而Yu等人[28]引入了LONet,该算法结合了一维卷积、多头自注意力和全局平均池化技术,用于轻量级的前向速度估计。Teng等人[29]提出了VANE-IN来改进潜在速度表示,Navone等人[30]研究了基于注意力的在线车轮里程计测量校正技术。
尽管有这些进展,基于学习的惯性里程计模型仍面临两个限制。首先,基于CNN的架构虽然在局部特征提取方面有效,但在捕捉长距离时间依赖性方面能力较弱;相比之下,循环模型在处理长序列时会丢失信息。其次,很少有模型能够明确区分振动引起的干扰和实际车辆运动模式。因此,由振动引起的成分或快速运动瞬变可能被误认为是运动信号,并被错误地作为伪观测值输入到滤波器中。
为了将学习到的运动信息与基于模型的状态估计相结合,混合神经-Kalman滤波得到了广泛应用。现有方法通常分为两类:一类是使用学习输出来调整滤波器参数,另一类是将学习到的信息直接纳入状态估计循环。在参数适应方面,Cohen和Klein[31]提出了Kalman-Informed Transformer,它在Kalman学习框架内优化了过程噪声估计。在系统集成方面,Wang等人[32]引入了Transfer Learning-Assisted Error-State Kalman Filter(TL-ESKF),该滤波器使用长短期记忆(LSTM)网络来补偿GNSS中断期间的信息损失。
然而,许多混合系统仍然将学习到的输出视为确定性的点估计,而没有明确量化其可靠性。在数据分布之外的(OOD)输入下,网络可能会产生既过于自信又不准确的预测。直接将这些输出输入滤波器而不考虑其不确定性会降低估计性能。因此,为可靠性感知的自适应融合估计预测不确定性仍然是一个重要的挑战。最近的多模态导航系统通过结合视觉里程计、UWB测距、地图约束、轮速测量或车辆动力学模型来提高鲁棒性[33]、[34]、[35]、[36]。这些系统在辅助源可用、同步正确且可靠的情况下表现良好。然而,它们的部署可能受到光照变化、特征贫乏的场景、对基础设施或先验地图的依赖、车轮打滑、道路条件变化、校准误差以及额外硬件成本的限制。
在此背景下,本研究考虑了一种受限但实际相关的场景:仅依靠原始IMU数据进行的学习辅助惯性导航,其中辅助源可能不可用、不可靠或难以部署。提出的HTAN-IEKF框架结合了分层时间注意力网络(HTAN)与IEKF,并且不需要视觉观测、UWB测距、地图约束、轮速测量或底盘信号。相反,它从原始IMU序列中直接推导出车身框架的3D速度伪观测值及其相关的不确定性指标。然后,该速度估计通过一个由预测不确定性调制的自适应测量协方差被纳入IEKF中。
本文提出了HTAN-IEKF框架,其主要贡献如下:
(1)HTAN结合了1D-CNN前端用于局部惯性特征提取和Transformer编码器用于长距离时间建模。这种架构旨在区分受振动污染的IMU信号和真实的车辆运动模式。
(2)从IMU数据中学习到的车身框架3D速度伪观测值被纳入IEKF中,从而减少了对传统NHC假设(即横向和垂直速度为零)的依赖。
通过将HTAN预测的异方差不确定性映射到IEKF中,开发了一种具有可靠性感知的融合方法,以动态调整速度测量的协方差。引入了一个经过验证和校准的比例因子,以平衡神经不确定性估计和IEKF协方差尺度,使滤波器能够根据预测的可靠性调整学习到的速度伪观测值的权重。
章节摘要
方法
本节详细介绍了HTAN-IEKF框架。该方法将基于IEKF的惯性传播与从原始IMU序列生成的学习到的车身框架3D速度伪观测值相结合。相关的异方差不确定性被用于在IEKF更新过程中构建速度测量的自适应协方差。
实验
在公共KITTI里程计基准测试和自收集的车辆数据集上评估了HTAN-IEKF的性能。评估从两个层面进行:在网络层面,我们检查了速度预测的准确性、架构可移植性、抗振动能力以及预测不确定性和预测误差之间的一致性;在系统层面,我们将完整的HTAN-IEKF框架与包括那些结合了学习内容的基准滤波器进行了对比。
4.1. 实验平台和传感器配置
使用了四轮电动汽车平台(图10)收集了自收集的车辆数据集。数据包括在校园内低速行驶时的稳定巡航、转弯、加速和减速情况,典型速度约为10–15公里/小时。
一个低成本的MEMS IMU被刚性安装在车辆上,作为HTAN-IEKF的唯一在线传感器输入。FOG/RTK集成导航系统仅用于离线生成参考轨迹;其测量结果并未提供给HTAN-IEKF。
结论
本研究解决了在没有GNSS信号的情况下惯性导航漂移的问题,特别是在急转弯或粗糙道路上传统NHC变得不可靠时。提出的HTAN-IEKF可以直接从原始IMU序列预测车身框架的3D速度及各分量的异方差不确定性。这些不确定性估计作为相对可靠性指标,并被映射到IEKF更新过程中的速度测量协方差中。
评估结果
CRediT作者贡献声明
王志明:撰写——原始草稿、验证、软件、方法论。冯凯强:撰写——审阅与编辑、监督、资金获取。李杰:资源、项目管理。郑涛:验证、形式分析。葛双超:撰写——审阅与编辑、可视化。李俊龙:资源、项目管理。
利益冲突声明
作者声明他们没有已知的、可能影响本文工作的财务利益或个人关系。
致谢
本工作得到了山西省基础研究计划的支持,该项目名为“多源复杂干扰环境中鲁棒集成导航的基础理论和方法研究”,项目编号为202303021221114,以及自然科学和工程技术领域的三晋人才计划创新团队。
王志明|冯凯强|李杰|郑涛|葛双超|李俊龙