基于保守方法和变分贝叶斯自适应滤波的鲁棒室内定位
系统与控制
2025-05-14 v1 系统与控制
摘要
室内定位对于物联网应用至关重要，但由于非高斯噪声、环境干扰和测量异常值等挑战，传统方法的鲁棒性受到制约。现有方法（包括卡尔曼滤波及其变体）常依赖高斯假设或静态阈值，在动态环境下适应性有限。本文提出了一个分层鲁棒框架，集成变分贝叶斯（VB）参数学习、Huber M 估计和保守异常值检测（COD），以解决上述局限性。首先，VB 推断联合估计状态和噪声参数，适应时变不确定性。其次，基于 Huber 的鲁棒滤波抑制轻微异常值，同时保持高斯效率。最后，COD 通过动态校准阈值提供异常值检测的统计保证，确保用户可控制的误报率。理论上，我们证明了基于 Huber 的卡尔曼滤波协方差的半正定性以及滑动窗口保守预测的覆盖率。基于磁性指纹数据集的实验显示，显著改进：指纹匹配准确率从 81.25% 提升至 93.75%，定位误差从 0.62-6.87 米降至 0.03-0.35 米。比较研究进一步验证了该框架在非高斯噪声和异常值条件下的鲁棒性。
关键词
引用
@article{arxiv.2505.08639,
title = {Robust Indoor Localization via Conformal Methods and Variational Bayesian Adaptive Filtering},
author = {Zhiyi Zhou and Dongzhuo Liu and Songtao Guo and Yuanyuan Yang},
journal= {arXiv preprint arXiv:2505.08639},
year = {2025}
}