基于惯性运动学习的大规模共享单车跟踪——面向GNSS阻塞环境
机器学习
2026-05-11 v1 人工智能
摘要
尽管全球导航卫星系统（GNSS）为自行车户外跟踪提供了通用解决方案，但仍存在复杂的骑行环境，其中仅依赖惯性导航系统即可工作，如城市深谷。尽管数十年来已有研究致力于仅使用低成本惯性传感器进行定位，但仍面临累积漂移和由滤波方法引起的性能差的问题。此外，视觉和 LiDAR 等传感器虽能提供可靠测量，但不适用于大规模部署。在本文中，我们提出一种惯性跟踪框架，将自行车机械约束与混合专家模型相结合。具体而言，我们利用多个专家模块捕获共享表征并通过门控机制对其进行加权，从而提高多任务学习性能并实现不确定性感知的轨迹估计。此外，基于自行车制动器与后轮之间的机械传动，我们探讨了骑手周期性踏踏行为与加速度变化之间的内在关系，并将此类模式转换为自行车轮速用于动态校准。使用来自DiDi 叫车平台的真实世界骑行数据进行的实验表明，我们的系统至少将基线准确率提高了12%，在95分位数下轮速误差小于0.5 m/s。
引用
@article{arxiv.2605.07412,
title = {Tracking Large-scale Shared Bikes with Inertial Motion Learning in GNSS Blocked Environments},
author = {Feng Liu and Kejia Li and Zhiwei Yang and Chunwei Yang and Qun Li and Guobin Wu and Qiang Ni and Ruipeng Gao},
journal= {arXiv preprint arXiv:2605.07412},
year = {2026}
}
备注
It has been submitted to IEEE Transactions on Intelligent Transportation Systems (T-ITS). Journal article. 14 pages, 18 figures, 10 tables