基于脉冲神经网络的不变卡尔曼融合用于低成本 IMU 的精准定位
机器人学
2026-02-04 v2
摘要
低成本惯性测量单元（IMU）因其经济实惠和易于集成的特点，广泛应用于移动机器人定位。然而，其复杂的、非线性的和随时间变化的噪声特性常常导致在直接用于死区估计时定位精度显著下降。为克服这一限制，我们提出了一种受大脑启发的状态估计框架，将脉冲神经网络（SNN）与不变扩展卡尔曼滤波器（InEKF）相结合。该SNN设计用于从受大量随机噪声影响的IMU数据长序列中提取运动相关特征，通过代理梯度下降算法进行训练，以实现对InEKF中协方差噪声参数的动态适应。通过将SNN的输出与原始IMU测量值融合，本方法提高了姿态估计的鲁棒性和准确性。在KITTI数据集和使用装有低成本IMU的移动机器人收集的真实世界数据上的大量实验表明，所提出的方法在定位精度和对传感器噪声的鲁棒性方面均优于当前最先进的方法，凸显了其在实际移动机器人应用中的潜力。
引用
@article{arxiv.2601.08248,
title = {Spiking Neural-Invariant Kalman Fusion for Accurate Localization Using Low-Cost IMUs},
author = {Yaohua Liu and Qiao Xu and Binkai Ou},
journal= {arXiv preprint arXiv:2601.08248},
year = {2026}
}