PiDR：面向自主平台的物理信息惯性死算术

实现完全自主性的基本要求在于能够在缺乏外部数据（如GNSS信号或视觉信息）的情况下维持精准导航。在这些挑战性环境中，平台必须仅依赖惯性传感器，导致纯惯性导航。然而，惯性传感器固有的噪声及其他误差项在实际场景中会导致导航解随时间漂移。虽然传统深度学习模型已作为惯性导航的可能方法而涌现，但其本质上是黑箱模型。此外，它们在有限的监督式传感器数据上学习时常 struggle to effectively learn，且难以保持物理原理。为此，我们提出了PiDR——一种面向纯惯性导航情境下的物理信息惯性死算术框架。PiDR通过物理信息残差组件显式地将惯性导航原理融入网络训练过程，从而实现透明度。PiDR在受限或稀疏监督条件下，对于缓解轨迹突变具有关键作用。我们在由移动机器人和自主水下车收集的真实数据集上对PiDR进行评估。在两个数据集中，我们实现了超过29%的位置精度提升，展示了PiDR在不同平台 operating in various environments and dynamics 方面的泛化能力。因此，PiDR提供了一个稳健、轻量级且高效的架构，可部署在资源受限的平台上，实现恶劣环境下的实时纯惯性导航。