基于连续时间因子图优化的GNSS不确定性量化学习方法
机器人学
2025-03-10 v1 人工智能
摘要
本短文提出了两种学习基于不确定性量化全球导航卫星系统（GNSS）测量的方法。我们研究了两种学习策略：离线学习用于异常值预测，和在线学习用于噪声分布逼近，特别应用于GNSS伪距观测。为开发和评估这些学习方法，我们引入一种新型多传感器状态估计算子，准确且稳健地估计来自多个传感器输入的轨迹，这对于推导用于训练不确定性模型的GNSS测量残差至关重要。我们使用来自多种城市环境中收集的真实传感器数据验证了所提学习方法。实验结果表明，两种模型均有效处理GNSS异常值并提升了状态估计性能。此外，我们提供了以激发未来研究，致力于在具有挑战性环境中开发稳健车辆定位的联邦框架。
引用
@article{arxiv.2503.04933,
title = {Learning-based GNSS Uncertainty Quantification using Continuous-Time Factor Graph Optimization},
author = {Haoming Zhang},
journal= {arXiv preprint arXiv:2503.04933},
year = {2025}
}
备注
This extended abstract has been accepted to the 1st German Robotic Conference