基于证据曼巴的不确定性感知速度校正用于本体车辆定位
本文提出EVC-Mamba，一种基于学习的架构，利用车载传感器数据生成虚拟速度传感器，用于惯性测量单元（IMU）漂移校正，无需额外硬件。该方法结合选择性状态空间模型和证据深度学习，提供带有不确定性量化的速度估计，并通过误差状态扩展卡尔曼滤波器减少位置漂移。实验表明，其定位精度在10%以内，支持在边缘硬件上以40Hz实时部署。
在GNSS信号受限的环境中，智能车辆的可靠定位仍然是一项根本性挑战。传统的惯性导航系统在没有外部校正的情况下会积累无界漂移，而现有的解决方案往往依赖于专用基础设施（如GPS基站）、昂贵的外部传感器（如激光雷达或高精度轮速计）或复杂的多传感器融合，这些都给实际部署带来了成本、复杂度和可靠性方面的障碍。针对这一问题，研究人员提出了一种名为EVC-Mamba（Evidential Velocity Correction using Mamba）的新型学习架构。该架构能够利用车辆现有的车载传感器数据（如轮速、转向角等），构建一个虚拟的速度传感器，用于校正惯性测量单元（IMU）的漂移，而无需增加任何额外硬件。
EVC-Mamba的核心技术包括两个部分：首先，基于曼巴（Mamba）的选择性状态空间模型被用来捕捉车辆运动的时间动态特性。曼巴是一种高效的序列建模方法，能够处理长程依赖，且计算复杂度与序列长度成线性关系，适合动态系统的实时建模。其次，采用基于正态逆伽马分布的证据深度学习（Evidential Deep Learning）框架，为速度估计提供原则性的不确定性量化。这种不确定性感知的速度估计能够量化模型预测的置信度，并将其作为虚拟校正测量值，集成到误差状态扩展卡尔曼滤波器（Error-State Extended Kalman Filter）中，从而有效减少位置漂移。
在基于真实车辆数据的评估中，研究团队模拟了从短时间到长达数分钟的GNSS中断场景。结果表明，使用EVC-Mamba进行速度校正的惯性导航系统，在不同中断时长下，其定位精度均能达到专用外部速度传感器的10%以内。例如，在30秒的中断下，位置误差中位数仅为1.2米，而纯惯性导航的误差则超过50米。更重要的是，该架构能够在边缘计算设备上以40Hz的速率实时运行，功耗和计算资源需求低，适合车载嵌入式系统。该研究成果已被2026年室内定位与室内导航国际会议（IPIN 2026）接收，相关论文可在arXiv上获取。EVC-Mamba的出现为低成本、高可靠性的自主定位提供了一种新的解决方案，尤其适用于那些依赖简洁传感器配置的应用场景，如自动驾驶、机器人导航等。