一种用于无人地面车辆导航的混合神经辅助无迹卡尔曼滤波器
机器人学
2026-03-26 v2
摘要
现代无人地面车辆的自动导航依赖于不同的估计算子来融合惯性传感器和 GNSS 测量。然而，常数噪声协方差矩阵往往难以承担动态现实条件。本文提出了一种混合估计框架，将经典状态估计基础与现代深度学习方法相结合。我们并未改变基本的无迹卡尔曼滤波方程，而是开发了一个专门的深度神经网络，直接从原始惯性和 GNSS 测量中预测过程和测量噪声不确定性。我们采用仿真到现实的方法，仅使用仿真数据进行训练。通过这种方式，我们提供了完美的真值数据，减轻了大规模数据录制的负担。为评估所提出方法并检查其泛化能力，我们使用了来自三个不同类型车辆（离地车、乘用车和移动机器人）、惯性传感器、道路表面和环境条件的数据集的 160 分钟测试集。我们在三个数据集上 demonstrate 了相对于自适应基于模型的方法的定位性能提升 ，从而提供了一个可扩展且更稳健的无人地面车辆导航解决方案。
引用
@article{arxiv.2603.11649,
title = {A Hybrid Neural-Assisted Unscented Kalman Filter for Unmanned Ground Vehicle Navigation},
author = {Gal Versano and Itzik Klein},
journal= {arXiv preprint arXiv:2603.11649},
year = {2026}
}