可学习的残差去噪器增强的深度传感器融合用于全球导航卫星系统中断下的智能手机导航

《IEEE Access》:Learnable Residual Denoiser Enhanced Deep Sensor Fusion for Smartphone Navigation Under GNSS Outages

【字体: 大 中 小 】 时间:2026年03月30日 来源:IEEE Access 4.2

编辑推荐:

  本研究介绍了一种先进的传感器融合方法,以提高全球导航卫星系统(GNSS)中断期间智能手机的定位鲁棒性。研究人员开发了一种混合深度学习架构,结合卷积神经网络(CNN)和门控循环单元(GRU),学习惯性数据中的时空模式以生成伪GNSS位置。为提升训练稳定性和噪声鲁

  
本研究介绍了一种先进的传感器融合方法,以提高全球导航卫星系统(GNSS)中断期间智能手机的定位鲁棒性。研究人员开发了一种混合深度学习架构,结合卷积神经网络(CNN)和门控循环单元(GRU),学习惯性数据中的时空模式以生成伪GNSS位置。为提升训练稳定性和噪声鲁棒性,研究人员评估了两种惯性测量单元(IMU)去噪策略:1)层次化去噪管道(HDP)和2)可学习残差去噪网络(LRDN)。在30秒和60秒中断的真实车辆日志上的评估显示了清晰的性能层次。集成HDP的CNN-GRU始终优于传统融合和基线深度学习方法,降低了误差指标并提高了轨迹平滑度。基于可学习残差去噪器的LRDN集成CNN-GRU取得了最高的增益,相比普通CNN-GRU降低了近74%的均方根误差(RMSE),相比包括独立扩展卡尔曼滤波器(EKF)融合在内的基线模型降低了高达85%,相比HDP增强的CNN-GRU降低了52%。本研究探讨了所提出的深度学习辅助惯性导航系统(INS)-GNSS导航框架在基于智能手机的传感和处理平台上的集成可行性,在统一架构中同时处理传感器级噪声抑制和时间序列建模。结果证明了在普通智能手机限制内的计算可行性,确认了该方法在GNSS挑战环境中边缘可部署导航的实际相关性。
**研究背景、问题与意义**
智能手机导航依赖全球导航卫星系统(GNSS)提供绝对位置,同时集成微机电系统(MEMS)惯性测量单元(IMU)实现连续运动跟踪。传统上,扩展卡尔曼滤波器(EKF)融合INS(惯性导航系统)与GNSS数据,在GNSS信号良好时精度较高。然而,IMU噪声(偏置不稳定性、随机游走、采样不一致)导致INS漂移快速累积;在城市峡谷、隧道等环境中GNSS信号易中断,导致定位严重退化。现有深度学习方法(如多层感知器MLP、长短期记忆网络LSTM、卷积神经网络CNN)虽能学习INS-GNSS相关性生成伪GNSS位置,但大多依赖原始IMU输入或固定预处理滤波器,难以适应运动模式变化和传感器噪声水平非平稳特性。因此,需要一种自适应的深度学习融合框架,同时实现IMU信号去噪和时空特征学习,以提升GNSS中断期间的定位鲁棒性。本研究发表于《IEEE Access》,验证了两种去噪策略(层次化去噪管道HDP与可学习残差去噪网络LRDN)增强CNN-GRU混合架构的可行性,显著降低了定位误差并保持计算效率,为智能手机边缘部署提供了实用方案。

**主要关键技术方法**
(1)**可学习残差去噪网络(LRDN)**:基于ResNet的1维卷积(Conv1D)去噪块,包含两个Conv1D层、批归一化和ReLU激活,通过残差跳跃连接保留运动相关特征,自适应抑制IMU高频噪声和慢变偏置漂移;与HDP(由5阶巴特沃斯低通滤波器、移动平均滤波器和卡尔曼滤波器组成的手工固定管道)形成对比。
(2)**混合CNN-GRU架构**:CNN层提取IMU序列的局部空间模式,门控循环单元(GRU)捕获时间依赖;模型训练目标为预测INS与GNSS位置之间的残差校正向量(ΔP),而非绝对坐标,以提升数值稳定性。
(3)**EKF融合框架**:在15维状态(位置、速度、姿态、IMU偏置)上执行经典INS-GNSS松耦合融合;GNSS可用时执行量测更新,中断时跳过更新,INS自由传播;训练时利用GNSS参考生成残差标签,预测时将LRDN-CNN-GRU输出的伪GNSS位置注入EKF进行校正。所有模型在智能手机(Xiaomi Redmi Note 12T)收集的真实车辆数据上评估(汽车、摩托车、自行车三种交通模式),定量分析基于汽车模式数据集(固定3公里路线,50 Hz IMU,1 Hz GNSS)。

**研究结果**
**A. 训练收敛分析**:LRDN-CNN-GRU的训练和验证损失曲线下降最平滑、最终损失最低,且验证损失与训练损失差异最小,表明其自适应去噪机制缓解了原始IMU噪声引起的振荡,相较HDP和基线模型展现出更强的泛化能力。
**B. 定量指标**:在30秒和60秒GNSS中断下,LRDN-CNN-GRU的2维均方根误差(RMSE2D)分别为0.134 m和0.141 m,相比普通CNN-GRU降低74%,相比独立EKF基线降低85%,相比HDP-CNN-GRU降低52%;其圆形误差概率(CEP-95)也最小,体现了最佳水平精度。
**C. 误差分布**:误差直方图显示LRDN-CNN-GRU的误差峰最尖锐、对称性最好、尾部最薄,表明其有效抑制了极端大偏差;相比之下,MLP和CNN的分布宽泛且有长尾,HDP-CNN-GRU虽改善但仍有分散。
**D. 轨迹叠加分析**:30秒中断期间,LRDN-CNN-GRU生成的轨迹最贴近GNSS参考,尤其在弯道段恢复细节优于其他模型;EKF基线显示明显漂移,LSTM和普通CNN-GRU轨迹平滑性不足。
**E. 附加误差与恢复指标**:LRDN-CNN-GRU的最大瞬时水平误差最小(30秒约0.42 m,60秒约0.58 m),而基线CNN-GRU达0.95–1.20 m,传统基线达1.8–2.4 m;信号恢复后LRDN架构快速重新对齐GNSS参考,恢复时间短于其他模型。
**F. 计算成本**:LRDN-CNN-GRU参数量约112K,模型大小<4 MB,在CPU-only TensorFlow环境下平均推理延迟14–16毫秒(>50 Hz),相比普通CNN-GRU增加约15–20%计算开销,但仍满足智能手机实时导航需求。

**总结与结论**
本研究开发了两种去噪架构(HDP与LRDN)以增强CNN-GRU在智能手机GNSS中断补偿中的性能。真实实验确认:HDP-CNN-GRU相比基线获得46%的2维RMSE降低,LRDN-CNN-GRU降低74%,且LRDN相对于HDP额外提升52%。这建立了智能手机GNSS中断补偿的新基准。所提出的LRDN-CNN-GRU在保持实时计算能力的同时,实现了最低定位误差,与主流智能手机中央处理器(CPU)和内存兼容。
**结论翻译**:在这项工作中,研究人员开发了两种去噪架构(HDP和LRDN)以增强CNN-GRU框架在智能手机GNSS中断补偿中的性能。在30秒和60秒中断下的真实实验证实了显著增益。HDP增强的CNN-GRU相比基线CNN-GRU实现了2维RMSE降低46%,而LRDN集成的CNN-GRU降低了74%。值得注意的是,LRDN相对于HDP额外提升了52%,优于通常报告20–60%误差降低的相关CNN-LSTM和CNN-GRU研究。这确立了LRDN-CNN-GRU作为智能手机GNSS中断补偿的新基准。在展示所有评估基线中最低定位误差的同时,所提出的LRDN-CNN-GRU保持了实时计算性能,且与主流智能手机CPU和内存能力兼容,支持在GNSS拒绝导航场景中的无缝设备上执行。未来工作方向包括集成因子图优化(FGO)利用轨迹级运动约束抑制漂移,开发自监督学习策略处理长时间中断,以及系统评估持续设备上推理的功耗和热行为。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号