Dual Quaternion-Based Unscented Kalman Filter with Visual Inertial Odometry for Navigation in GPS-Denied Environments

📄 arXiv: 2606.09292v1 📥 PDF

作者: Mohamed Khalifa, Hashim A. Hashim

分类: cs.RO, eess.SY

发布日期: 2026-06-08

DOI: 10.1016/j.measurement.2026.121964

💡 一句话要点

提出双四元数无味卡尔曼滤波器以解决GPS缺失环境下导航问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 双四元数 无味卡尔曼滤波 视觉惯性里程计 状态估计 导航 GPS缺失环境 机器人技术

📋 核心要点

  1. 在GPS缺失的环境中，现有导航方法面临高初始化不确定性和状态估计不准确的问题。
  2. 提出的DQUKF通过双四元数表示姿态，并结合VIO算法，增强了状态估计的准确性和鲁棒性。
  3. 仿真结果显示，DQUKF在复杂环境中表现出色，RMSE为0.2584米，显著优于传统滤波器。

📝 摘要（中文）

在GPS缺失环境中，可靠导航仍然是机器人、航空航天和自主车辆应用中的一项基本挑战。本文提出了一种基于双四元数的无味卡尔曼滤波器（DQUKF），结合视觉惯性里程计（VIO）算法，实现准确的状态估计，从而在GPS缺失的环境中进行导航。该框架以误差状态的方式构建DQUKF，其中名义姿态由单位双四元数表示，局部姿态误差则通过6维扭转参数化表示，用于生成sigma点、协方差传播和测量校正。同时，VIO算法在图像帧之间跟踪特征，协调IMU与相机之间的测量，并提供视觉约束以补充惯性传播。仿真结果表明，DQUKF在高初始化不确定性下收敛，并在困难的飞行序列中实现了0.2584米的位置信息均方根误差（RMSE），优于基准滤波器。

🔬 方法详解

问题定义：本文旨在解决在GPS缺失环境中导航的挑战，现有方法在高初始化不确定性下难以实现准确的状态估计，导致导航性能下降。

核心思路：提出的DQUKF通过双四元数表示姿态，并采用误差状态方法，结合VIO算法提供视觉约束，从而提高状态估计的精度和鲁棒性。

技术框架：整体架构包括DQUKF和VIO两个主要模块。DQUKF负责状态估计，使用双四元数和6维扭转参数化进行sigma点生成和协方差传播；VIO模块则跟踪图像特征并同步IMU与相机的测量。

关键创新：最重要的创新在于将双四元数与无味卡尔曼滤波器结合，形成新的状态估计框架，显著提升了在GPS缺失环境中的导航能力。

关键设计：在DQUKF中，采用单位双四元数表示名义姿态，局部姿态误差通过6维扭转参数化表示，确保了高效的sigma点生成和协方差传播。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DQUKF在高初始化不确定性下能够成功收敛，并在困难的飞行序列中实现了0.2584米的位置信息均方根误差（RMSE），相比于基准滤波器有显著提升，展示了其在实际应用中的优势。

🎯 应用场景

该研究的潜在应用领域包括无人机导航、自动驾驶汽车和机器人定位等，尤其是在GPS信号弱或缺失的环境中。通过提高导航精度和鲁棒性，能够显著提升自主系统在复杂环境中的应用价值和实用性。

📄 摘要（原文）

Reliable navigation in GPS-denied environments remains a fundamental challenge in robotics, aerospace, and autonomous vehicle applications. This paper presents a Dual Quaternion-Based Unscented Kalman Filter (DQUKF) equipped with a Visual Inertial Odometry (VIO) algorithm for accurate state estimation enabling navigation in GPS denied locations. The proposed framework formulates the DQUKF in an error state manner, where the nominal pose is represented by a unit dual quaternion and the local pose error is represented by a 6-dimensional twistor parameterization used for sigma point generation, covariance propagation, and measurement correction. In parallel, the VIO algorithm tracks features across image frames, synchronizes measurements between the IMU and camera, and provides visual constraints that complement inertial propagation. Simulation results on the EuRoC MAV dataset show that the proposed DQUKF converges under high initialization uncertainty and achieves a position RMSE of 0.2584~m in the difficult flight sequence, outperforming the benchmark filters.