《Entropy》：Master Mix Localization Algorithm for Autonomous Systems in Indoor Environments
编辑推荐：
在GPS拒止环境中的可靠导航仍然是自主车辆（AV）面临的关键挑战，尤其是在复杂的室内和城市环境中。基于GPS的定位系统在这些条件下常常失效，凸显了对弹性多模态解决方案的需求。本文中，研究人员提出了一种雷达辅助跟踪系统，在传感器融合架构内集成LiDAR和惯性测量
在GPS拒止环境中的可靠导航仍然是自主车辆（AV）面临的关键挑战，尤其是在复杂的室内和城市环境中。基于GPS的定位系统在这些条件下常常失效，凸显了对弹性多模态解决方案的需求。本文中，研究人员提出了一种雷达辅助跟踪系统，在传感器融合架构内集成LiDAR和惯性测量，以实现稳健导航。主要方法论贡献是一个统一的跟踪与预测框架，结合贝叶斯状态估计与基于学习的时序预测，能够实现准确跟踪，同时根据主机器人生成的映射观测持续预测从机器人的短期未来状态，典型的端到端感知-行动延迟为20–60 ms。通信与预测预报模块以低于35 ms的更新间隔运行，实现实时协作机器人操作。传感器数据通过包含高斯混合模型（GMM）进行后处理的流水线融合，有助于在边缘处理过程中缓解单个传感器的局限性。此外，采用卡尔曼滤波来抑制传感器噪声和漂移，从而通过轨迹平滑提高状态估计精度。融合的时空信息随后由卷积循环神经网络（CRNN）结合非线性自回归外生输入模型（NARX）利用，以对机器人运动动力学建模并提供短时状态预测。通过在GPS拒止环境中进行的仿真和真实室内实验，研究人员验证了该系统以低定位误差提供准确连续姿态估计的能力。实验结果表明，所提出的框架在X、Y、Z轴上的均方根误差分别为0.12 m、0.15 m和0.28 m，同时在整个评估轨迹中保持亚米级最大位置偏差。这些结果证实，所提出的框架为室内GPS拒止环境中的协作机器人导航提供了可靠的定位和预测状态估计。未来工作将研究室外验证，并将框架扩展到额外的数据驱动决策模型，以服务于未来的机器人服务。
室内环境中的自主系统定位长期依赖全球导航卫星系统（GNSS），但在卫星信号衰减、遮挡和多路径效应下性能急剧下降，GPS拒止环境中的移动车辆无法仅依靠卫星定位。现有替代技术如超宽带（UWB）、惯性测量单元（IMU）、LiDAR、雷达和视觉系统各有局限：IMU累积漂移，LiDAR受几何特征
