AMML：GNSS中断恢复下区分LIO漂移与多路径偏差的自适应测量模型层方法

《IEEE Robotics and Automation Letters》：A Drift-Aware Bayesian Reliability Layer for NavSatFix-Only GNSS–LiDAR-Inertial Fusion

　　

摘要：

当GNSS在中断后恢复时，估计器面临一种模糊的不一致：新定位点与激光雷达-惯性里程计（LIO）之间的差距可能是LIO在GNSS中断期间积累的漂移，也可能是存在多路径偏差的GNSS恢复信号。仅基于残差的层无法区分这两者，且任何错误都代价高昂：拒绝有效的定位会让滤波器停留在不断漂移的里程计上，而接受有偏的定位则会污染状态。我们提出了AMML（自适应测量模型层），一种适用于广泛存在的NavSatFix-only场景的轻量级规则，在该场景中，融合器仅接收融合后的位置定位及其协方差。AMML估计在GNSS中断期间（持续时间 T，行驶距离 S）LIO可能合理积累的漂移量，在漂移增大的瑞利分布假设 H0 下与偏置带状莱斯分布假设 H1 下评估观测到的不一致，并将序列后验映射为单一的GNSS协方差缩放因子；平台漂移系数在线拟合。在1650次合成故障测试、针对四条S3E序列的七次真实数据实验、KITTI中断扫描以及一段自然出现多路径和RTK丢失的货运机器人序列中，当GNSS信号干净时，AMML与仅基于残差的基线方法表现相当；当中断历史具有重要影响时，AMML避免了这些基线方法的失效模式，例如，在长时间中断后，AMML的回溯后均方根误差比无记忆的NIS门限低 152× 倍。