GNSSが利用できない環境におけるインテリジェント車両の信頼性の高い位置推定は、依然として根本的な課題である。慣性航法システムは外部補正なしに無限のドリフトを蓄積するため、既存のアプローチでは専用インフラ（GPS基地局など）、高価な外部センサ（LiDARや高精度車輪速センサなど）、または複雑なマルチセンサ融合が必要であり、それぞれ実用的な導入障壁がある。本研究では、EVC-Mamba（Evidential Velocity Correction using Mamba）を提案する。これは、車載センサデータ（車輪速、操舵角など）を仮想速度センサに変換し、追加ハードウェアなしでIMUドリフトを補正する学習ベースのアーキテクチャである。
EVC-Mambaは、マンバベースの選択的状態空間モデルを使用して車両運動の時間ダイナミクスを捕捉する。マンバは長距離依存関係を効率的にモデル化でき、計算複雑度が系列長に対して線形であるため、動的システムのリアルタイムモデリングに適している。さらに、正規逆ガンマ分布を用いた証拠深層学習（Evidential Deep Learning）を採用し、速度推定に関する原理的な不確実性定量化を提供する。得られた不確実性考慮速度推定は、仮想補正測定値として誤差状態拡張カルマンフィルター（Error-State Extended Kalman Filter）に組み込まれ、位置ドリフトを低減する。
実世界の車両データを用いた評価では、30秒から数分にわたるGNSS中断シナリオを模擬した。結果、提案する速度補正を用いた慣性航法が、異なる中断時間全体で専用外部速度センサの10%以内の位置精度を達成した。例えば、30秒の中断では位置誤差の中央値が1.2メートルであり、純粋な慣性航法の誤差（50メートル超）を大幅に改善した。また、提案アーキテクチャはエッジ計算デバイス上で40Hzのリアルタイム動作をサポートし、消費電力と計算資源の要求が低いため、車載組み込みシステムに適している。本研究成果は、2026年に開催される国際室内測位・室内航法会議（IPIN 2026）で採択され、arXivで公開されている。EVC-Mambaは、低コストで高信頼性の自律位置推定を実現する新しいソリューションであり、特に簡素なセンサ構成を必要とする自動運転やロボットナビゲーションなどの応用に適している。