基於物理正則化的機器學習用於車載感測器本體車輛定位
本文提出PRML2混合框架，結合卡爾曼濾波與機器學習，透過可微卡爾曼濾波器實現端到端物理正則化學習，從而利用車載感測器進行本體車輛定位。在公開資料集上，PRML2展現出卓越的定位精度和即時能力，並引入了低摩擦條件下的新型資料集，為降級感知環境中的魯棒低成本定位提供瞭解決方案。論文已被IROS 2026接收。
自主移動系統在真實環境中需要精確且魯棒的定位能力。雖然融合慣性測量單元（IMU）資料與衛星校正訊號能提供精準的車輛姿態估計，但在訊號中斷時效能會大幅下降。近年來，機器學習（ML）被證明可以改善基於IMU的本體定位，並且量產車輛中已有的車載感測器潛力巨大。本文提出了一種名為PRML2（Physics-Regularized Machine Learning for Localization）的混合框架，它結合了卡爾曼濾波與資料驅動學習的互補優勢，直接利用車載感測器估計車輛姿態。PRML2的核心在於物理正則化學習，透過端到端訓練一個可微卡爾曼濾波器中的ML模型，增強了與車輛運動模型的一致性，從而提升了定位精度和跨駕駛條件的泛化能力。
研究團隊在公開資料集上評估了ML增強的車載里程計的效能極限，結果表明PRML2達到了卓越的定位精度，並具備即時執行能力。此外，該工作還引入了一個用於低摩擦條件下車輛定位研究的新資料集。透過將學習與基於物理的先驗知識相結合，PRML2框架在感測條件退化的情況下提供了一種魯棒且具有成本效益的解決方案。該論文已被2026年IEEE/RSJ國際智慧機器人與系統會議（IROS 2026）接收，全文共8頁，包含4張附圖。隨著自動駕駛技術的快速發展，車輛定位的可靠性和精度成為關鍵挑戰。傳統的衛星定位在隧道、城市峽谷等場景中容易失效，而純慣性導航存在累積誤差。PRML2透過將卡爾曼濾波的物理模型與資料驅動的靈活性相結合，有效克服了這些侷限性。該方法不僅利用了生產車輛上已有的低成本感測器，還實現了端到端的物理正則化訓練，使得模型在未見過的駕駛環境中依然表現穩健。未來的工作可能包括將框架擴充套件到其他型別的車輛和更復雜的動態場景，進一步推動低成本高精度定位技術的發展。