神经测距惯性里程计
机器人学
2025-12-12 v1
摘要
超宽带(UWB)因其轻便和无漂移特性，在GPS被剥夺的定位场景中展现出巨大的潜力，但由于对传感器布置敏感以及受多径或多信号干扰导致的非高斯模式，实际场景中的精度受到限制，这种情况在诸如长隧道等典型应用场景中常见。我们引入一种新颖的测距惯性里程计神经融合框架，包含图注意力UWB网络和循环神经惯性网络。我们的图网络学习与场景相关的测距模式，并适配任意数量的锚点或标签，实现无校准的精确定位。此外，最小二乘法的集成以及规范帧的引入均提升了整体性能和可扩展性。通过在室内、户外及隧道环境中的大量实验（包括公开数据集和自采数据集），验证了我们方法的有效性与鲁棒性。结果表明，我们提出的IR-ULSG在处理具有挑战性情况的场景方面优于其他方法，包括凸包外部的场景以及仅可用单个锚点的情况。
引用
@article{arxiv.2512.10531,
title = {Neural Ranging Inertial Odometry},
author = {Si Wang and Bingqi Shen and Fei Wang and Yanjun Cao and Rong Xiong and Yue Wang},
journal= {arXiv preprint arXiv:2512.10531},
year = {2025}
}
备注
Accepted by 2025 IEEE International Conference on Robotics and Automation (ICRA)