在GNSS信號受限的環境中，智能車輛的可靠定位仍然是一項根本性挑戰。傳統的慣性導航系統在沒有外部校正的情況下會積累無界漂移，而現有的解決方案往往依賴於專用基礎設施（如GPS基站）、昂貴的外部傳感器（如激光雷達或高精度輪速計）或複雜的多傳感器融合，這些都給實際部署帶來了成本、複雜度和可靠性方面的障礙。針對這一問題，研究人員提出了一種名為EVC-Mamba（Evidential Velocity Correction using Mamba）的新型學習架構。該架構能夠利用車輛現有的車載傳感器數據（如輪速、轉向角等），構建一個虛擬的速度傳感器，用於校正慣性測量單元（IMU）的漂移，而無需增加任何額外硬件。
EVC-Mamba的核心技術包括兩個部分：首先，基於曼巴（Mamba）的選擇性狀態空間模型被用來捕捉車輛運動的時間動態特性。曼巴是一種高效的序列建模方法，能夠處理長程依賴，且計算複雜度與序列長度成線性關係，適合動態系統的實時建模。其次，採用基於正態逆伽馬分佈的證據深度學習（Evidential Deep Learning）框架，為速度估計提供原則性的不確定性量化。這種不確定性感知的速度估計能夠量化模型預測的置信度，並將其作為虛擬校正測量值，集成到誤差狀態擴展卡爾曼濾波器（Error-State Extended Kalman Filter）中，從而有效減少位置漂移。
在基於真實車輛數據的評估中，研究團隊模擬了從短時間到長達數分鐘的GNSS中斷場景。結果表明，使用EVC-Mamba進行速度校正的慣性導航系統，在不同中斷時長下，其定位精度均能達到專用外部速度傳感器的10%以內。例如，在30秒的中斷下，位置誤差中位數僅為1.2米，而純慣性導航的誤差則超過50米。更重要的是，該架構能夠在邊緣計算設備上以40Hz的速率實時運行，功耗和計算資源需求低，適合車載嵌入式系統。該研究成果已被2026年室內定位與室內導航國際會議（IPIN 2026）接收，相關論文可在arXiv上獲取。EVC-Mamba的出現為低成本、高可靠性的自主定位提供了一種新的解決方案，尤其適用於那些依賴簡潔傳感器配置的應用場景，如自動駕駛、機器人導航等。