PDRNN: Modular Data-driven Pedestrian Dead Reckoning on Loosely Coupled Radio- and Inertial-Signalstreams

📄 arXiv: 2605.15252v1 📥 PDF

作者: Peter Bauer, Andreas Porada, Felix Ott, Christopher Mutschler, Tobias Feigl

分类: cs.LG, cs.AI, eess.SP

发布日期: 2026-05-14

备注: 12 pages

期刊: IEEE/ION Position, Location and Navigation Symposium (PLANS), Salt Lake City, UT, May 2025

DOI: 10.1109/PLANS61210.2025.11028330

💡 一句话要点

提出PDRNN：一种模块化的数据驱动行人航位推算系统，融合无线电和惯性信号。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 行人航位推算 惯性导航 无线电定位 循环神经网络 多传感器融合

📋 核心要点

  1. 传统PDR系统难以有效融合多模态传感器数据，尤其是在高动态运动场景下，存在误差累积问题。
  2. PDRNN采用模块化RNN架构，独立处理各传感器数据，并利用不确定性估计增强系统鲁棒性。
  3. 实验表明，PDRNN在动态运动数据上优于传统和ML方法，有效避免了误差累积，并具备预测能力。

📝 摘要（中文）

现代行人航位推算(PDR)系统依赖于融合来自松耦合传感器的噪声和有偏的位置、速度和校准方向估计，以确定定位对象的当前姿态。然而，传感器特定估计方法的采样率差异和不可靠的传输带来了重大挑战。传统方法通常无法在以高加速度、速度和快速变化的方向为特征的动态运动期间有效地融合多模态传感器数据。为了解决这些限制，我们提出了一种简单的循环神经网络(RNN)架构，该架构能够隐式地预测来自不同估计方法的异步传感器数据流沿参考轨迹。所提出的方法引入了PDRNN，一种模块化混合AI辅助PDR系统，它将每个组件作为机器学习(ML)模型的独立集合来处理，以估计关键参数的均值和方差。采用单独的基于ML的模型来估计方向、来自加速度和陀螺仪数据的(非)定向速度或距离，以及来自同步无线电系统(如5G)的可选绝对定位以进行稳定。最终的融合模型结合了这些输出、位置、速度和方向，同时使用不确定性估计来增强系统鲁棒性。模块化设计允许单独的组件被更新、微调或替换，而不会影响整个系统。在动态体育运动数据上的实验表明，与经典和基于ML的方法相比，PDRNN实现了卓越的准确性和精度，有效地避免了黑盒方法中常见的误差累积。尽管系统复杂性增加，PDRNN仍提供预测能力和更好的组件控制。

🔬 方法详解

问题定义：论文旨在解决行人航位推算(PDR)中，由于传感器数据异步、噪声干扰以及动态运动带来的多模态数据融合难题。现有方法，特别是传统滤波算法和黑盒机器学习模型，难以有效处理这些问题，导致误差累积，定位精度下降。

核心思路：论文的核心思路是将PDR系统解耦为多个独立的模块，每个模块负责处理特定类型的传感器数据（如惯性传感器、无线电信号）。每个模块采用独立的机器学习模型进行参数估计，并输出参数的均值和方差（不确定性）。最终，通过一个融合模型将各个模块的输出进行融合，利用不确定性估计来提高系统的鲁棒性。

技术框架：PDRNN的整体架构是一个模块化的混合系统，包含以下主要模块： 1. 方向估计模块：利用加速度计和陀螺仪数据估计方向。 2. 速度/距离估计模块：利用加速度计和陀螺仪数据估计速度或距离。 3. 绝对定位模块（可选）：利用无线电系统（如5G）提供绝对位置信息。 4. 融合模块：将以上模块的输出进行融合，得到最终的位置、速度和方向估计。 每个模块都包含一个或多个机器学习模型，用于估计参数的均值和方差。融合模块也采用机器学习模型，并利用不确定性估计来提高系统的鲁棒性。

关键创新：PDRNN的关键创新在于其模块化设计和不确定性估计。模块化设计使得系统易于维护和扩展，可以根据具体应用场景选择合适的模块。不确定性估计可以帮助融合模块更好地处理噪声和误差，提高系统的鲁棒性。此外，使用RNN架构进行时序数据预测，能够更好地处理异步传感器数据流。

关键设计： 1. RNN架构：每个模块都采用循环神经网络（RNN）来处理时序数据。 2. 损失函数：损失函数的设计需要考虑参数估计的准确性和不确定性。具体细节未知。 3. 不确定性估计：每个模块输出参数的均值和方差，方差表示参数的不确定性。 4. 融合策略：融合模块利用不确定性估计来加权各个模块的输出，提高系统的鲁棒性。具体融合策略未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在动态体育运动数据上进行了实验，结果表明PDRNN的定位精度和鲁棒性优于传统方法和基于ML的方法。PDRNN能够有效避免误差累积，并具备预测能力。具体的性能数据和提升幅度未知，但总体而言，PDRNN在动态运动场景下表现出色。

🎯 应用场景

PDRNN可应用于室内导航、运动追踪、增强现实等领域。在室内环境中，GPS信号受限，PDRNN可以利用惯性传感器和无线电信号进行精确定位。在运动追踪中，PDRNN可以实时监测运动员的运动状态。在增强现实中，PDRNN可以提供精确的位置和方向信息，增强用户体验。该研究的实际价值在于提高定位精度和鲁棒性，未来影响在于推动PDR技术在更多领域的应用。

📄 摘要（原文）

Modern pedestrian dead reckoning (PDR) systems rely on fusing noisy and biased estimates of position, velocity, and calibrated orientation derived from loosely coupled sensors to determine the current pose of a localized object. However, discrepancies in the sampling rates of sensor-specific estimation methods and unreliable transmission pose significant challenges. And traditional methods often fail to effectively fuse multimodal sensor data during dynamic movements characterized by high accelerations, velocities, and rapidly varying orientations. To address these limitations, we propose a simple recurrent neural network (RNN) architecture capable of implicitly forecasting asynchronous sensor data streams from diverse estimation methods along reference trajectories. The proposed approach introduces PDRNN, a modular hybrid AI-assisted PDR system that handles each component as an independent ensemble of machine learning (ML) models to estimate both key parameter means and variances. Separate ML-based models are employed to estimate orientation, (un)directed velocity or distance from acceleration and gyroscope data, with optional absolute positioning from synchronized radio systems such as 5G for stabilization. A final fusion model combines these outputs, position, velocity, and orientation, while using uncertainty estimates to enhance system robustness. The modular design allows individual components to be updated, fine-tuned, or replaced without affecting the entire system. Experiments on dynamic sports movement data show that PDRNN achieves superior accuracy and precision compared to classic and ML-based methods, effectively avoiding error accumulation common in black-box approaches. And PDRNN offers forecast capabilities and better component control despite increased system complexity.