ReNiL：基于 IMU 的事件驱动行人贝叶斯定位
机器人学
2025-11-10 v3
摘要
行人惯性定位是移动和物联网服务的关键，因为它提供无基础设施的位置服务。然而，大多数基于学习的方法依赖固定的滑动窗口积分，难以适应不同运动规模和节奏，并产生不一致的不确定性，限制了实际应用。我们提出ReNiL，一个面向准确、高效且具备不确定性感知的行人定位的贝叶斯深度学习框架。ReNiL引入惯性定位需求点（IPDPs），在上下文相关的关键点上估计运动，而非稠密跟踪，支持 IMU 序列按任意规模进行推理，以匹配应用需求。它耦合一种感知运动的姿态滤波器和 Any-Scale Laplace Estimator（ASLE），后者是一种双任务网络，融合基于 patch 的自监督学习与贝叶斯回归。通过对位移采用拉普拉斯分布建模，ReNiL 提供一致的欧几里得不确定性，可与其他传感器无缝集成。贝叶斯推理链将连续的 IPDPs 串联成一致的轨迹。在 RoNIN-ds 和覆盖室内外运动的新 WUDataset 数据集上，ReNiL 在位移精度和不确定性一致性方面实现了最先进水平，优于 TLIO、CTIN、iMoT 和 RoNIN 变体，同时降低计算开销。应用研究进一步表明其在移动和物联网定位中的鲁棒性和实用性，使 ReNiL 成为面向下一代定位系统的可扩展、具备不确定性感知的基础。
引用
@article{arxiv.2508.06053,
title = {ReNiL: Event-Driven Pedestrian Bayesian Localization Using IMU for Real-World Applications},
author = {Kaixuan Wu and Yuanzhuo Xu and Zejun Zhang and Weiping Zhu and Jian Zhang and Steve Drew and Xiaoguang Niu},
journal= {arXiv preprint arXiv:2508.06053},
year = {2025}
}
备注
This work has been submitted to the ACM for possible publication