Adaptive Parameter Tuning for Fused Localization Model Using Multi-Agent Reinforcement Learning

doi:10.1109/tvt.2026.3679732

Adaptive Parameter Tuning for Fused Localization Model Using Multi-Agent Reinforcement Learning

2026-03-31

0

PRE

AI

DOI：10.1109/tvt.2026.3679732

原文链接

原文求助

摘要

En 中文

在铁路全自动运行中，融合超宽带（UWB）和惯性测量单元（IMU）被视作高精度定位的可行解决方案。然而，由非视距（NLoS）传播和IMU累积误差引起的固有误差不可避免，这通常会导致沿同一路径出现相似的定位误差。不同于利用单列列车时空相关性的现有定位方案，我们从多智能体强化学习（RL）的角度提出了不同列车间的数据挖掘方案。首先，将UWB测距数据滤波机制建模为深度Q网络（DQN），能够剔除严重NLoS干扰下的测距数据。其次，提出了融合定位模型的参数调优方案，以自适应更新同一路径上多列列车的集成数据。最后，借助单元定位器，评估半监督奖励以促进DQN训练并最小化累积定位误差。仿真结果表明，所提方案在视距（LoS）场景下相较于其他三种典型融合方案性能提升分别为11.59%、9.74%、4.43%，在非视距（NLoS）场景下性能提升分别为22.13%、13.77%、14.77%。

Keyword:

Data-model driven

RL-integrated

fused localization

spatio-temporal mining

Adaptive Parameter Tuning for Fused Localization Model Using Multi-Agent Reinforcement Learning

摘要

期刊

机构