.png){kind=icon}
返回
Robust Localization Based on Regularization With Adaptive Scaling: Model, Algorithm, and Application
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3674674.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在挑战性环境中，传统定位算法通常因传感器测量值受到异常值污染而导致性能下降。为解决此问题，本文提出了一种基于自适应缩放正则化的鲁棒定位方法（RAS）。该方法引入缩放因子以表征异常值引起的噪声方差放大，并将其整合到概率模型中。基于缩放因子先验概率分布的RAS因子图优化（FGO）被开发为一种鲁棒定位方法，其源自最大后验概率（MAP）估计，旨在抑制异常测量值的影响。同时提出了一种数据驱动的参数标定方法以避免手动调优。进一步进行了理论分析以检验RAS FGO的鲁棒性，并研究了缩放因子先验分布参数对抑制异常测量损失的影响。此外，还表明加权最小二乘（WLS）和可切换约束（SC）方法均为RAS FGO的特殊情况。在Google智能手机分米级挑战赛（GSDC）数据集上的实验结果表明，所提方法在准确性和鲁棒性方面显著优于传统FGO，尤其在测量异常频繁的场景中表现突出。在典型场景中，3-D均方根误差（RMSE）从18.87 m降至4.77 m，降幅达74.72%；同时，95%累积3-D误差从18.13 m降至8.16 m，降幅为54.99%。
Keyword:
Adaptive scaling
factor graph optimization (FGO)
outlier suppression
robust positioning
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
.png){kind=icon}
查看更多内容