UMLoc：面向不确定性感知的地图约束惯性定位
机器人学
2026-01-13 v1 机器学习
摘要
惯性定位在 GPS 被剥夺的环境（如室内）中尤为有价值。然而，仅使用惯性测量单元（IMU）进行定位会因运动过程噪声和传感器偏置而产生漂移。本文引入 Uncertainty-aware Map-constrained Inertial Localization（UMLoc），一种端到端框架，联合建模 IMU 不确定性和地图约束，以实现抗漂移定位。UMLoc 集成了两个耦合模块：（1）长短期记忆（LSTM）分位回归器，估计所需分位值以定义 68%、90% 和 95% 预测区间，作为定位不确定性的度量；（2）具有交叉注意力的条件生成对抗网络（CGAN），将 IMU 动态数据与基于距离的平面图融合，以生成几何可行的轨迹。两个模块联合训练，使不确定性估计在轨迹生成期间通过 CGAN 传播。我们在三个数据集上评估了 UMLoc，包括一个全新收集的两小时室内基准数据集，包含时间对齐的 IMU 数据、真值姿态和平面图。结果显示，该方法在 70 米行驶距离上实现了 5.9% 的平均漂移比率，平均绝对轨迹误差（ATE）为 1.36 米，同时保持校准的预测区间。
引用
@article{arxiv.2601.06602,
title = {UMLoc: Uncertainty-Aware Map-Constrained Inertial Localization with Quantified Bounds},
author = {Mohammed S. Alharbi and Shinkyu Park},
journal= {arXiv preprint arXiv:2601.06602},
year = {2026}
}