基于物理正则化的机器学习用于车载传感器本体车辆定位
本文提出PRML2混合框架，结合卡尔曼滤波与机器学习，通过可微卡尔曼滤波器实现端到端物理正则化学习，从而利用车载传感器进行本体车辆定位。在公开数据集上，PRML2展现出卓越的定位精度和实时能力，并引入了低摩擦条件下的新型数据集，为降级感知环境中的鲁棒低成本定位提供了解决方案。论文已被IROS 2026接收。
自主移动系统在真实环境中需要精确且鲁棒的定位能力。虽然融合惯性测量单元（IMU）数据与卫星校正信号能提供精准的车辆姿态估计，但在信号中断时性能会大幅下降。近年来，机器学习（ML）被证明可以改善基于IMU的本体定位，并且量产车辆中已有的车载传感器潜力巨大。本文提出了一种名为PRML2（Physics-Regularized Machine Learning for Localization）的混合框架，它结合了卡尔曼滤波与数据驱动学习的互补优势，直接利用车载传感器估计车辆姿态。PRML2的核心在于物理正则化学习，通过端到端训练一个可微卡尔曼滤波器中的ML模型，增强了与车辆运动模型的一致性，从而提升了定位精度和跨驾驶条件的泛化能力。
研究团队在公开数据集上评估了ML增强的车载里程计的性能极限，结果表明PRML2达到了卓越的定位精度，并具备实时运行能力。此外，该工作还引入了一个用于低摩擦条件下车辆定位研究的新数据集。通过将学习与基于物理的先验知识相结合，PRML2框架在传感条件退化的情况下提供了一种鲁棒且具有成本效益的解决方案。该论文已被2026年IEEE/RSJ国际智能机器人与系统会议（IROS 2026）接收，全文共8页，包含4张附图。随着自动驾驶技术的快速发展，车辆定位的可靠性和精度成为关键挑战。传统的卫星定位在隧道、城市峡谷等场景中容易失效，而纯惯性导航存在累积误差。PRML2通过将卡尔曼滤波的物理模型与数据驱动的灵活性相结合，有效克服了这些局限性。该方法不仅利用了生产车辆上已有的低成本传感器，还实现了端到端的物理正则化训练，使得模型在未见过的驾驶环境中依然表现稳健。未来的工作可能包括将框架扩展到其他类型的车辆和更复杂的动态场景，进一步推动低成本高精度定位技术的发展。