A Hybrid Neural-Assisted Unscented Kalman Filter for Unmanned Ground Vehicle Navigation
作者: Gal Versano, Itzik Klein
分类: cs.RO
发布日期: 2026-03-12
💡 一句话要点
提出一种混合神经辅助的Unscented Kalman滤波器，用于提升无人地面车辆导航精度。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 无人地面车辆 自主导航 Unscented Kalman Filter 深度学习 噪声估计 Sim2Real 状态估计 传感器融合
📋 核心要点
- 传统无人地面车辆导航依赖融合惯性传感器和GNSS测量的估计器，但固定噪声协方差矩阵难以适应动态真实环境。
- 论文提出一种混合估计框架，利用深度神经网络直接从原始传感器数据预测过程和测量噪声的不确定性。
- 实验结果表明，该方法在不同数据集上相比自适应模型方法，位置精度平均提升12.7%，具有良好的泛化能力。
📝 摘要（中文）
本文提出了一种混合估计框架，将经典状态估计与现代深度学习方法相结合，用于无人地面车辆的自主导航。该方法没有改变Unscented Kalman滤波器（UKF）的基本方程，而是开发了一个专门的深度神经网络，直接从原始惯性传感器和GNSS测量数据中预测过程和测量噪声的不确定性。采用了一种sim2real的方法，仅在模拟数据上进行训练，从而提供完美的ground truth数据，并减轻了大量数据记录的负担。在三个数据集（包含不同类型的车辆、惯性传感器、路面和环境条件）上进行了总计160分钟的测试，结果表明，与自适应模型方法相比，位置精度提高了12.7%，证明了该方法的可扩展性和鲁棒性。
🔬 方法详解
问题定义：无人地面车辆（UGV）的自主导航依赖于融合惯性传感器和GNSS数据的状态估计器。然而，传统方法中固定的噪声协方差矩阵难以准确描述动态变化的真实环境，导致估计精度下降。现有自适应方法虽然可以调整噪声协方差，但往往依赖于特定的模型假设，鲁棒性不足。
核心思路：本文的核心思路是利用深度神经网络学习噪声协方差与传感器数据之间的映射关系，从而实现对过程噪声和测量噪声不确定性的自适应估计。通过神经网络直接从原始传感器数据中学习，避免了对噪声分布的假设，提高了对复杂环境的适应性。
技术框架：该混合估计框架主要包含两个模块：Unscented Kalman Filter (UKF) 和噪声预测神经网络。UKF负责状态估计，神经网络负责预测UKF中的过程噪声和测量噪声协方差矩阵。整体流程是：首先，传感器数据输入到神经网络中，神经网络输出过程噪声和测量噪声协方差矩阵；然后，将这些协方差矩阵输入到UKF中，UKF进行状态估计，输出车辆的位置和姿态。
关键创新：最重要的技术创新点在于使用深度神经网络直接预测噪声协方差矩阵。与传统方法相比，该方法无需对噪声分布进行假设，能够更好地适应复杂和动态的环境。此外，采用sim2real的训练策略，仅在模拟数据上训练神经网络，降低了数据采集成本，并保证了训练数据的质量。
关键设计：神经网络的具体结构未知，但其输入是原始惯性传感器和GNSS测量数据，输出是过程噪声和测量噪声的协方差矩阵。损失函数的设计目标是最小化估计误差，具体形式未知。采用sim2real训练策略，需要仔细设计模拟环境，使其尽可能逼真，以保证神经网络在真实环境中的泛化能力。UKF的具体参数设置遵循标准流程，关键在于如何将神经网络预测的噪声协方差矩阵有效地融入到UKF的更新步骤中。
🖼️ 关键图片
📊 实验亮点
该方法在三个不同的数据集上进行了评估，这些数据集包含不同类型的车辆（越野车、乘用车和移动机器人）、惯性传感器、路面和环境条件。实验结果表明，与自适应模型方法相比，该方法在位置精度上平均提高了12.7%。这表明该方法具有良好的泛化能力和鲁棒性，能够有效地适应不同的环境和车辆类型。
🎯 应用场景
该研究成果可广泛应用于各种无人地面车辆的自主导航任务中，例如物流配送、农业机器人、巡检机器人和自动驾驶汽车等。通过提高导航精度和鲁棒性，可以提升无人车辆在复杂环境中的适应能力，降低运营成本，并提高安全性。该方法还可以推广到其他需要融合传感器数据的状态估计问题中。
📄 摘要（原文）
Modern autonomous navigation for unmanned ground vehicles relies on different estimators to fuse inertial sensors and GNSS measurements. However, the constant noise covariance matrices often struggle to account for dynamic real-world conditions. In this work we propose a hybrid estimation framework that bridges classical state estimation foundations with modern deep learning approaches. Instead of altering the fundamental unscented Kalman filter equations, a dedicated deep neural network is developed to predict the process and measurement noise uncertainty directly from raw inertial and GNSS measurements. We present a sim2real approach, with training performed only on simulative data. In this manner, we offer perfect ground truth data and relieves the burden of extensive data recordings. To evaluate our proposed approach and examine its generalization capabilities, we employed a 160-minutes test set from three datasets each with different types of vehicles (off-road vehicle, passenger car, and mobile robot), inertial sensors, road surface, and environmental conditions. We demonstrate across the three datasets a position improvement of $12.7\%$ compared to the adaptive model-based approach. Thus, offering a scalable and a more robust solution for unmanned ground vehicles navigation tasks.