鲁棒统计 vs. 机器学习 vs. 贝叶斯推断：现场机器人中处理故障GNSS测量的见解
机器人学
2025-10-16 v2
摘要
本文介绍了在现场应用中处理全球导航卫星系统(GNSS)故障测量(即离群值)以实现车辆定位的研究成果，这些应用中原始GNSS数据常因多径、信号遮挡或非视距条件等环境干扰而损坏。在此背景下，我们研究了专门应用于GNSS伪距观测值的三种策略：用于误差缓解的鲁棒统计、用于故障测量预测的机器学习以及用于噪声分布近似的贝叶斯推断。由于以往研究在统一问题陈述(即使用测距传感器的状态估计)下对这三种方法的理论基础和实际评估提供的见解有限，我们使用在不同城市环境中收集的真实传感器数据进行了大量实验。我们的目标是检验既有技术和新提出的方法，从而加深对如何处理故障测距测量(如GNSS)以实现鲁棒、长期车辆定位的理解。除了展示成功结果外，本文还强调了关键观察和开放性问题，以激励未来在鲁棒状态估计方面的研究。
引用
@article{arxiv.2504.06015,
title = {Robust Statistics vs. Machine Learning vs. Bayesian Inference: Insights into Handling Faulty GNSS Measurements in Field Robotics},
author = {Haoming Zhang},
journal= {arXiv preprint arXiv:2504.06015},
year = {2025}
}
备注
Accepted to the 2nd Workshop on Safety of Intelligent and Autonomous Vehicles: Formal Methods vs. Machine Learning approaches for reliable navigation (SIAV-FM2L) at IEEE IROS2025