用于状态估计的高斯变分推断：基于UWB定位的案例研究
机器人学
2026-01-27 v2 机器学习
摘要
本文在两个互补的方向上扩展了精确稀疏高斯变分推断（ESGVI）算法，用于状态估计。首先，推广ESGVI以在矩阵李群上运行，实现对具有姿态成分的状态估计，同时尊重其 underlying 群结构。其次，引入因子以适应重尾和偏斜噪声分布，这在超宽带（UWB）定位中因非直线视线（NLOS）和多径效应常见。这两个扩展均在ESGVI框架内自然集成，同时保持其稀疏和无导数结构。本文在NLOS丰富测量的UWB定位实验中验证了所提方法，证明其在准确性和一致性方面均有所改进。最后，提供了一个基于因子图估计框架的Python实现，并开源（https://github.com/decargroup/gvi_ws），以支持更广泛的研究使用。
引用
@article{arxiv.2512.19855,
title = {Gaussian Variational Inference with Non-Gaussian Factors for State Estimation: A UWB Localization Case Study},
author = {Andrew Stirling and Mykola Lukashchuk and Dmitry Bagaev and Wouter Kouw and James R. Forbes},
journal= {arXiv preprint arXiv:2512.19855},
year = {2026}
}