.png){kind=icon}
返回
Self-Constrained Vehicle Inertial Navigation Method With Task-Driven Dynamic Decision Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/JSEN.2025.3597374.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在卫星拒止环境下，惯性导航系统（INS）存在误差累积问题，而集成解决方案通常依赖昂贵的传感器，且未能有效利用运动模式。本文揭示了在稀疏运动模式下导航增强的机制，其中有效状态是间歇性但关键的。我们提出了一种任务驱动的动态决策优化框架，用于自约束车辆惯性导航，结合深度学习与几何状态估计。首先，我们基于车辆运动学建立多维自约束条件以抑制误差传播。其次，基于Transformer的网络从惯性数据计算运动模式置信度，随后采用贝叶斯优化策略动态调整阈值，在限定漏检容差下优先抑制虚警。此外，状态持续性机制（SPM）利用运动连续性消除短期误判。最后，通过基于流形的恒定扩展卡尔曼滤波器（IEKF）将运动约束与惯性数据融合，该滤波器将状态嵌入李群以缓解线性化不一致性。Urban Kaist数据集的实验表明，与现有运动模式决策相比，定位轨迹平均绝对误差降低了8.19%以上。这验证了所提出方法的有效性，为车辆高精度自主导航提供了新方案。
Keyword:
Dynamic decision optimization
inertial navigation
motion recognition
vehicle constraints
