利用多传感器融合与混合学习-过滤框架实现移动机器人的弹性定位

《Scientific Reports》：Resilient localization for mobile robots using multi-sensor fusion and a hybrid learning-filtering framework

　　

摘要

当自主移动机器人的个体传感器数据变得嘈杂、间歇性工作或完全不可用时，可靠的定位就变得至关重要。本研究评估了一种多传感器融合框架，该框架结合了激光雷达（LiDAR）、单目视觉、GPS、超宽带（UWB）和惯性测量单元（IMU）的数据，并采用了三种策略：（i）基线扩展卡尔曼滤波器（Extended Kalman Filter，EKF）；（ii）双阶段顺序EKF，在最终融合阶段之前对激光雷达-惯性测距（LiDAR-Inertial Odometry，LIO）的数据进行精细化处理；（iii）混合学习-滤波方法，将特定于传感模式的学习到的运动和位置估计结果纳入EKF中。所有评估都是在ROS-Gazebo环境下进行的，同时考虑了正常运行以及传感器性能下降/失效的情况。与基于控制器的参考轨迹相比，标准EKF的均方根误差（RMSE）为0.2235米，双阶段EKF的RMSE为0.2029米，降幅约为9.2%。在正常传感器工作条件下，混合学习EKF的RMSE为0.212米；而在测试的传感器故障序列中，其RMSE为0.384米。这些结果支持了所评估的融合方案在模拟条件下的有效性，但并不能证明其在实际应用中的通用性和鲁棒性；因此，仍需要独立的真实数据验证、重复试验、GPS干扰测试以及物理验证。