KD-EKF：面向稳健 UWB/PDR 室内定位的知识蒸馏自适应协方差扩展卡尔曼滤波
信号处理
2026-03-20 v1 人工智能
机器学习
摘要
超宽带（UWB）室内定位提供厘米级精度和低延迟，但在非直线视距（NLOS）条件下其测量可靠性会严重下降，导致米级测距误差和不一致的不确定性特征。基于 IMU 的步行死reckoning（PDR）通过提供无基础设施的运动估计来补充 UWB，但其误差因偏置和噪声传播而随时间非线性累积。基于扩展卡尔曼滤波（EKF）和粒子滤波（PF）的融合方法可通过概率状态估计提高平均定位精度。然而，这些方法通常依赖手动调谐的测量协方差。此类固定或仍作为调谐参数难以在不同室内布局、NLOS 比例和运动模式下持续维持，导致鲁棒性差、泛化性差。为此，本文提出一种自适应测量协方差缩放框架，其中可从历史 UWB/PDR 轨迹中学习可靠性线索。采用大型教师模型离线生成来自结构化 UWB/PDR 序列的 temporally consistent 下一位置预测行为，并将其蒸馏到适用于实时部署的轻量级学生模型。学生模型根据预测残差持续调节 EKF 测量协方差，从而实现无需手动重新调谐的环境感知融合。实验结果表明，所提出的 KD-EKF 框架显著降低了定位误差，抑制了 LOS/NLOS 转换期间的误差尖峰，减轻了长期漂移，提高了在多样化室内环境中的测量鲁棒性。
引用
@article{arxiv.2603.18027,
title = {KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization},
author = {Kyeonghyun Yoo and Wooyong Jung and Namkyung Yoon and Sangmin Lee and Sanghong Kim and Hwangnam Kim},
journal= {arXiv preprint arXiv:2603.18027},
year = {2026}
}
备注
16 pages, 7 figures