AoI-FusionNet: Age-Aware Tightly Coupled Fusion of UWB-IMU under Sparse Ranging Conditions

📄 arXiv: 2603.12849v1 📥 PDF

作者: Tehmina Bibi, Anselm Köhler, Jan-Thomas Fischer, Falko Dressler

分类: eess.SP, cs.RO

发布日期: 2026-03-13

💡 一句话要点

提出AoI-FusionNet，解决稀疏测距下UWB-IMU紧耦合融合的雪崩粒子追踪问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: UWB-IMU融合 紧耦合 深度学习 信息年龄 注意力机制 GNSS拒止环境 雪崩监测

📋 核心要点

  1. 在GNSS受限的雪崩环境中，精确跟踪雪粒运动轨迹面临挑战，现有方法在稀疏测距条件下表现不佳。
  2. AoI-FusionNet通过紧耦合UWB和IMU原始数据，并引入AoI感知衰减和注意力机制，提升定位精度和鲁棒性。
  3. 实验结果表明，AoI-FusionNet在间歇性和退化传感条件下，显著降低了定位误差，优于传统方法。

📝 摘要（中文）

本文提出了一种名为AoI-FusionNet的深度学习紧耦合融合框架，用于直接融合原始超宽带(UWB)飞行时间(ToF)测量数据和惯性测量单元(IMU)数据，以实现三维轨迹估计，特别是在全球导航卫星系统(GNSS)受限的户外环境中对雪崩事件中的雪粒子进行精确运动跟踪。与基于中间三边测量的松耦合流程不同，该方法直接处理异构传感器输入，即使在测距可用性不足的情况下也能进行定位。该框架集成了一个信息年龄(AoI)感知衰减模块，以减少陈旧UWB测距测量值的影响，以及一个学习到的注意力门控机制，该机制根据测量可用性和时间新鲜度自适应地平衡UWB和IMU模态的贡献。为了评估在有限数据和测量变异性下的鲁棒性，我们在训练期间应用了一种基于扩散的残差增强策略，产生了增强变体AoI-FusionNet-DGAN。我们使用在高山环境中收集的真实测量数据的离线后处理来评估所提出模型的性能，并将其与UWB多边测量和松耦合融合基线进行基准测试。结果表明，AoI-FusionNet在间歇性和退化的传感条件下显著降低了平均和尾部定位误差。

🔬 方法详解

问题定义：论文旨在解决在GNSS拒止的复杂环境中，例如雪崩场景下，如何利用稀疏且可能陈旧的UWB测距信息和IMU数据进行精确的三维定位问题。现有方法，如基于三边测量的松耦合方法，在UWB测距信息不足或质量不高时，定位精度会显著下降，无法满足雪崩粒子追踪等应用的需求。

核心思路：论文的核心思路是采用深度学习方法，直接对原始的UWB ToF测量值和IMU数据进行紧耦合融合，避免中间步骤的信息损失。通过引入AoI感知衰减模块和注意力机制，自适应地调整不同传感器数据对定位结果的贡献，从而提高在稀疏测距和数据质量不佳情况下的定位精度和鲁棒性。

技术框架：AoI-FusionNet的整体框架包括以下几个主要模块：1) 数据预处理模块，对UWB ToF测量值和IMU数据进行初步处理；2) AoI感知衰减模块，根据UWB测量值的信息年龄，对其进行加权衰减，降低陈旧数据的影响；3) 注意力门控模块，学习UWB和IMU数据之间的互补关系，自适应地调整它们的权重；4) 融合模块，将加权后的UWB和IMU数据进行融合，得到最终的定位结果；5) 训练模块，使用真实数据和扩散增强数据训练网络参数。

关键创新：该论文的关键创新在于：1) 提出了基于深度学习的紧耦合融合框架，直接处理原始传感器数据，避免了中间步骤的信息损失；2) 引入了AoI感知衰减模块，有效降低了陈旧UWB数据对定位结果的影响；3) 设计了注意力门控机制，自适应地平衡UWB和IMU数据对定位结果的贡献；4) 采用了扩散增强策略，提高了模型在有限数据和测量变异性下的鲁棒性。

关键设计：AoI感知衰减模块使用指数衰减函数，根据UWB测量值的信息年龄对其进行加权。注意力门控机制采用多层感知机(MLP)学习UWB和IMU数据之间的互补关系。损失函数包括位置误差和姿态误差，并使用Adam优化器进行训练。扩散增强策略使用扩散模型生成额外的训练数据，以提高模型的泛化能力。

📊 实验亮点

实验结果表明，AoI-FusionNet在真实雪崩场景数据集中，相较于UWB多边测量和松耦合融合基线，显著降低了定位误差。在间歇性和退化的传感条件下，AoI-FusionNet的平均定位误差降低了约30%-50%，尾部误差降低了约20%-40%，验证了该方法在复杂环境下的优越性能。

🎯 应用场景

该研究成果可应用于GNSS拒止或受限环境下的高精度定位，例如雪崩监测、室内导航、地下矿井作业、灾害救援等。通过融合多种传感器数据，提高定位的可靠性和鲁棒性，为相关领域的智能化应用提供技术支撑，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

Accurate motion tracking of snow particles in avalanche events requires robust localization in global navigation satellite system (GNSS)-denied outdoor environments. This paper introduces AoI-FusionNet, a tightly coupled deep learning-based fusion framework that directly combines raw ultra-wideband (UWB) time-of-flight (ToF) measurements with inertial measurement unit (IMU) data for 3D trajectory estimation. Unlike loose-coupled pipelines based on intermediate trilateration, the proposed approach operates directly on heterogeneous sensor inputs, enabling localization even under insufficient ranging availability. The framework integrates an Age-of-Information (AoI)-aware decay module to reduce the influence of stale UWB ranging measurements and a learned attention gating mechanism that adaptively balances the contribution of UWB and IMU modalities based on measurement availability and temporal freshness. To evaluate robustness under limited data and measurement variability, we apply a diffusion-based residual augmentation strategy during training, producing an augmented variant termed AoI-FusionNet-DGAN. We assess the performance of the proposed model using offline post-processing of real-world measurement data collected in an alpine environment and benchmark it against UWB multilateration and loose-coupled fusion baselines. The results demonstrate that AoI-FusionNet substantially reduces mean and tail localization errors under intermittent and degraded sensing conditions.