编辑推荐：
针对 GPS 信号中断时 INS/GPS 组合导航系统定位性能下降、车辆驾驶状态偏差问题，研究人员提出 TL-ESKF 信息融合方法。该方法结合 LSTM 与 ESKF，经数据集和实测试验验证，GPS 中断时定位更准，训练效率高于高精度机器学习方法。
在智能驾驶的世界里，车辆能否精准定位就像人类能否在陌生环境中看清方向一样关键。全球定位系统（GPS）与惯性导航系统（INS）的组合导航系统本是车辆定位的 “黄金搭档”，然而当车辆驶入隧道、峡谷等 GPS 信号薄弱或中断的区域时，INS 的误差会随着时间不断累积，导致车辆的定位精度大幅下降，出现估计驾驶状态与实际状态的偏差，这就如同蒙上眼睛走路，很容易偏离正确的路线。如何在 GPS 信号中断时依旧保持车辆导航的高精度，成为了智能驾驶领域亟待解决的难题。
为了攻克这一挑战，研究人员开展了关于 INS/GPS 组合导航信息融合方法的研究。虽然传统的卡尔曼滤波（KF）及其改进算法如扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）等在信息融合中得到了广泛应用，但面对车辆运动过程中组合导航系统的强非线性特性，这些方法仍存在滤波精度不足、长期运行误差累积等问题。而基于神经网络的方法，如径向基函数神经网络（RBFNN）、卷积神经网络（CNN）等，虽然在一定程度上提升了预测能力，但大多基于静态神经网络，未能充分利用历史数据对定位精度的影响，且存在训练效率低等缺陷。
在这样的背景下，国内研究团队（因原文未明确作者单位信息，此处结合资助项目为中国国家级及地方项目推测）开展了相关研究，其成果发表在《Expert Systems with Applications》。
研究人员提出了一种基于迁移学习误差状态卡尔曼滤波（TL-ESKF）的信息融合方法，旨在纠正车辆驾驶状态偏差，提升 GPS 中断期间的导航性能。
该研究主要采用了以下关键技术方法：
- 构建了由两个 LSTM 网络与误差状态卡尔曼滤波（ESKF）结合的两步优化结构。第一步通过 LSTM 建立 ESKF-1 的增益与观测向量的关系，为车辆驾驶状态偏差提供初始校正；第二步利用迁移学习训练第二个 LSTM（TL-LSTM），与 ESKF-2 结合进一步优化校正。
- 使用公开的 Navego 数据集（包含搭载 Ekinox-D IMU 和 GPS 接收器的车辆在意大利都灵街道行驶的数据）和实际场地测试对方法有效性进行评估，并开展消融实验验证各组件的贡献。
研究结果
方法框架的有效性验证
通过将 ESKF 与 LSTM 网络相结合，充分发挥了 ESKF 处理非线性问题的线性化能力以及 LSTM 对时间序列数据的建模优势。ESKF 负责融合 INS 和 GPS 数据生成导航校正，LSTM 则对滤波器内部参数与导航数据的关系进行建模，初步证明了该框架在提升组合导航系统定位精度方面的潜力。
两步优化结构的性能提升
在 GPS 信号中断场景下，第一步的 LSTM/ESKF-1 以 ESKF-1 的内部参数为输入，预测出驾驶状态偏差的初始校正值；第二步的 TL-LSTM/ESKF-2 借助迁移学习从第一步的 LSTM 中获取知识，对校正进行进一步微调。实验表明，这种两步结构显著提高了定位精度，相比单一的 ESKF 或基于静态神经网络的方法，能更有效地抑制误差累积。
与其他方法的对比
与高精度机器学习方法相比，TL-ESKF 方法在保证定位精度的同时，凭借迁移学习大幅提高了训练效率。在 Navego 数据集和实际场地测试中，其定位误差均小于其他对比方法，验证了该方法在 GPS 中断环境下的优越性。
消融实验分析
通过消融实验，分别验证了 LSTM 网络、迁移学习以及两步优化结构在整体方法中的贡献。结果显示，缺少任何一个组件都会导致定位精度下降或训练效率降低，进一步证明了各部分协同工作的重要性。
研究结论与意义
本研究提出的 TL-ESKF 方法为解决 GPS 中断时 INS/GPS 组合导航系统的信息融合难题提供了新的思路和有效方案。通过将 LSTM 与 ESKF 相结合，并引入迁移学习优化训练过程，该方法不仅提高了车辆在复杂环境下的定位精度，还提升了训练效率，为智能驾驶在无 GPS 信号或信号薄弱区域的应用奠定了坚实基础。其研究成果对于推动自动驾驶技术的发展，提升车辆在复杂环境下的安全性和可靠性具有重要的理论意义和实际应用价值。
