基于PINN-EKF融合框架的无缝室内外惯性/卫星组合导航研究

《Sensors》:Seamless Indoor and Outdoor Navigation Using IMU-GNSS Sensor Data Fusion Bismark Kweku Asiedu Asante and Hiroki Imamura

【字体: 大 中 小 】 时间:2026年04月06日 来源:Sensors 3.5

编辑推荐:

  本文针对可穿戴导航系统在室内外切换时GNSS信号不可靠、IMU漂移累积的难题,提出了一种基于物理信息神经网络(PINN)与扩展卡尔曼滤波(EKF)的紧耦合IMU-GNSS融合框架。该方法能动态适应环境变化,在室外以GNSS为主、室内采用PINN增强的惯性航迹推算,有效抑制了传感器噪声与漂移。实验表明,相比传统方法,该方案显著提升了定位精度与过渡稳定性,为视障人士辅助导航及智能移动系统提供了实用可靠的解决方案。

  
在当今的智能可穿戴设备领域,尤其是面向视障人士的导航辅助系统,实现连续、精准的定位一直是个令人头疼的“最后一公里”难题。想象一下,一位用户从开阔的街道走入大型商场或地铁站,手中的导航设备很可能瞬间“失明”——在室外大显身手的全球导航卫星系统(GNSS),一进室内就会因信号衰减、多径干扰甚至完全被遮挡而性能骤降甚至失效。反之,不依赖外部信号、通过加速度计和陀螺仪感知运动的惯性测量单元(IMU),虽能在室内“自力更生”,但其基于航迹推算的定位方式会因传感器噪声、零偏和积分误差而产生随时间累积的漂移,就像蒙眼走路,每一步的小误差会让人越来越偏离真实路径。尽管将GNSS与IMU进行融合是常见的思路,但许多现有系统默认GNSS信号总是“在线”或近乎连续,对长时间GNSS失效或动态环境切换的处理能力不足,而这恰恰是可穿戴辅助导航中影响安全性与用户体验的关键痛点。
为此,研究人员Bismark Kweku Asiedu Asante和Hiroki Imamura在《Sensors》期刊上发表了一项研究,旨在攻克这一难题。他们提出了一种新颖的、环境自适应的紧耦合IMU-GNSS传感器融合框架。该框架的核心创新在于,将物理信息神经网络(PINN)与扩展卡尔曼滤波(EKF)深度结合,打造出一个既能理解物理运动规律、又能进行概率状态估计的“智能导航大脑”。系统能够自动感知用户身处室内还是室外,并动态切换主导的定位模式:在室外GNSS信号良好时,以GNSS定位为主;当进入GNSS信号被拒止的室内环境时,则切换到由PINN增强的IMU航迹推算模式。PINN通过学习嵌入物理运动学约束,能够有效校正惯性传感器的误差,抑制噪声,为EKF提供更“干净”、更符合物理规律的测量值输入,从而显著减缓了室内导航时的累积漂移,并确保了在室内外过渡时的定位稳定性。
为开展此项研究,作者主要应用了以下几项关键技术方法:首先,在数据获取上,他们利用了公开的KITTI IMU-GNSS数据集(来自德国卡尔斯鲁厄理工学院和丰田技术研究所的车辆传感器数据,提取了其中的IMU/GNSS部分)以及为可穿戴辅助设备自行采集的校园室内外轨迹定制数据。其次,在算法框架上,构建了PINN-EKF混合状态估计模型,其中PINN作为一个多层感知机(MLP),负责对IMU原始测量值进行物理约束下的误差校正。最后,通过EKF实现多传感器数据的概率融合与状态(位置、速度、姿态)估计,并集成了环境感知的切换策略来动态调整融合行为。
研究结果
  • •
    系统框架与工作流程:研究提出了一个由多传感器数据采集、PINN校正和EKF状态估计三个核心模块构成的紧耦合融合框架。如图1所示,原始IMU和GNSS数据经PINN处理,生成符合物理规律的伪测量值,再送入EKF进行更新,最终输出高精度的位置、速度和姿态估计。
  • •
    数据基础与传感器配置:研究使用了KITTI公开数据集进行PINN模型的训练,并利用搭载IMU(来自ZED相机,400 Hz采样率)和专用GNSS接收机(支持L1频率C/A码,50通道,冷启动时间约32秒,定位精度最高达3.5米)的自研可穿戴平台采集真实室内外轨迹数据,用于验证系统的无缝导航性能。图2展示了用于训练的部分KITTI数据集轨迹。
  • •
    PINN的误差校正机理:研究设计的PINN以前一时刻的状态估计??t-1和IMU原始测量值??t-1为输入,通过一个参数为??的多层感知机网络,学习映射到当前时刻的位置??(t)、速度??(t)和角速度??(t)。通过将运动学物理规律作为约束嵌入神经网络的训练目标,PINN能够有效建模并补偿惯性传感器的运动相关误差,为后续滤波提供更准确的输入。
  • •
    实验性能验证:通过在真实室内外行人轨迹上的实验评估,结果表明,与传统GNSS-IMU融合方法相比,本文提出的PINN-EKF框架能够显著提高定位精度,在室内导航阶段大幅降低由IMU漂移导致的误差,并在室内外环境切换时保持稳定平滑的过渡性能。
研究结论与意义
本研究成功开发并验证了一种基于PINN与EKF紧耦合的IMU-GNSS数据融合新框架。该框架通过引入物理信息神经网络,为传统的基于滤波的传感器融合方法增添了数据驱动且物理规律约束的误差校正能力,从而有效解决了GNSS在室内失效时IMU的累积漂移问题,以及多传感器在异构环境下的自适应融合挑战。
这项工作的主要贡献在于:第一,提出了一种创新的EKF与PINN结合的传感器融合方法,用于实现无缝的室内外导航;第二,构建了用于轨迹序列下一状态预测的物理约束运动函数;第三,设计了一种能实时适应传感器融合行为的环境感知切换策略。
该研究不仅为视障人士提供了更可靠、更连续的可穿戴导航辅助解决方案,增强了他们在复杂环境中独立出行的安全性与信心,其提出的核心框架也具有广泛的适用性,可扩展至智能移动、自主可穿戴系统、机器人以及其他需要鲁棒定位服务的领域。通过实现真正意义上的无缝室内外定位,本研究为推动构建更加强大、可靠且情境感知的下一代可穿戴导航系统奠定了重要的技术基础。
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