关于“一种新型陆地车辆定位方法：不变卡尔曼滤波器和基于深度学习的雷达速度估计”的学术研究报告
本文旨在向同行研究者介绍Paulo Ricardo Marques de Araujo等人在*ieee transactions on intelligent vehicles*期刊2023年9月（第8卷第9期）上发表的一项原创性研究工作。这项研究隶属于智能车辆与自主导航领域，具体聚焦于多传感器融合定位这一关键技术问题。
一、 作者、机构与发表信息 本研究的主要作者包括Paulo Ricardo Marques de Araujo (研究生会员，IEEE)、Mohamed Elhabiby、Sidney Givigi (高级会员，IEEE) 和Aboelmagd Noureldin (高级会员，IEEE)。他们的研究机构分别为加拿大女王大学（Queen’s University）电气与计算机工程系（Araujo与Noureldin）、加拿大女王大学计算学院（Givigi）以及加拿大Micro Engineering Tech. Inc.公司（Elhabiby）。该研究成果以题为“A Novel Method for Land Vehicle Positioning: Invariant Kalman Filters and Deep-Learning-Based Radar Speed Estimation”的论文形式，正式发表于《IEEE智能车辆汇刊》（IEEE Transactions on Intelligent Vehicles）2023年9月刊。
二、 研究的学术背景与目标 高精度、高可靠的定位系统是自动驾驶车辆（Autonomous Vehicles, AVs）安全有效运行的基础。惯性测量单元（Inertial Measurement Unit, IMU）因其高数据更新率和全天候工作能力，常被用作此类系统的核心传感器。然而，IMU（尤其是低成本IMU）的测量值存在偏置（Bias）和噪声，会随时间迅速累积误差，导致位置解算结果严重漂移。传统的解决方案之一是使用简化惯性传感器系统（Reduced Inertial Sensor System, RISS），它结合里程计等传感器来提升精度，但里程计数据率低，且RISS部分姿态角依赖加速度计估算，结果存在噪声且不可靠。
因此，本研究旨在提出一种新的、更稳健的定位方法。其核心思想是：摒弃传统的三轴加速度计，转而采用一个由三个陀螺仪和一个低成本前向雷达构成的传感器组合，形成一种雷达惯性航位推算（Radar Inertial Dead-Reckoning, RIDR）系统。 研究的具体目标包括：1）引入结合低成本雷达、深度学习和信号处理工具的前向车速估计策略与运动学模型；2）实现利用该模型的不变扩展卡尔曼滤波器（Invariant Extended Kalman Filter, IEKF），并将其与全球导航卫星系统（Global Navigation Satellite System, GNSS）和三维地图等外部位置修正源结合；3）在一个涵盖不同城市环境（开阔天空、城区、室内）的自定义数据集上验证所提方法的性能，并与传统IMU方法进行比较。
三、 研究的详细工作流程 本研究包含一系列严谨且创新的步骤，从基础模型构建到最终的集成系统测试。
1. 运动学模型构建 研究首先建立了RIDR系统的核心运动学模型。该模型假设车辆仅有前向速度（由雷达测量），侧向和垂直速度为零。车辆在世界坐标系（W-frame）中的姿态（旋转矩阵R）和位置（p）通过陀螺仪测量的角速度进行更新，而位置更新则依赖于从IMU坐标系（I-frame）通过旋转矩阵R投影到世界坐标系的前向速度。这个模型的关键优势在于完全避免了加速度计的积分过程，从而消除了加速度计偏置和重力场对速度、位置估计的直接影响。
2. 前向速度估计：深度学习与信号处理的融合 这是本研究的一大创新点。雷达安装于车辆前保险杠，以一定倾角指向地面，测量车辆与地面之间的多普勒速度。然而，雷达数据噪声大，且精确的安装倾角未知。研究分两步解决此问题： * 信号处理方法对比： 研究首先采用萨维茨基-戈莱（Savitzky-Golay, SavGol）滤波器对雷达原始信号进行平滑去噪，并通过校准轨迹（在开阔天空区域采集，以GNSS/RTK结果为参考）优化搜索安装倾角θ。实验表明，SavGol滤波器在多种参数配置下能将θ校准至约57.2度，但性能在车辆静止等情况下不佳，且去噪效果受限于模型假设。 * 深度学习去噪器开发： 为解决传统方法的局限性，研究提出并开发了一个基于自编码器（Autoencoder）架构的深度学习去噪器。该网络以128个连续雷达读数（对应约6.4秒数据）为输入，经过编码器-解码器结构进行处理，输出为估计的前向速度序列。网络架构包含6个一维卷积层（核大小为7），采用批量归一化和GELU激活函数，最后使用一个滑动窗口大小为3的中值滤波器去除可能的离群值。该模型的显著优势是，在去噪的同时，能自动隐含地估计出雷达的安装倾角θ，无需进行外在标定。 模型仅含约27,600个参数，大小约0.9 MB，推理时间约1毫秒，适合实时系统。训练使用了在加拿大多个城市收集的总长约75公里的数据（超过16万次雷达测量），以高精度GNSS/IMU融合解算得到的前向速度作为监督标签，采用均方误差损失函数进行训练。
3. 不变扩展卡尔曼滤波器的建模与实现 为了将RIDR系统与GNSS、三维地图等外部修正源进行鲁棒融合，研究采用了近年来在惯性导航领域表现出色的不变扩展卡尔曼滤波器。IEKF的关键在于将系统状态（如姿态、位置）建模在矩阵李群（如SE(3)）上，利用状态空间的对称性推导出状态不变（State-invariant）的雅可比矩阵，从而提升滤波器的收敛性和鲁棒性。 * RIDR的IEKF实现： 研究为RIDR系统设计了左不变IEKF。系统状态（姿态Rn，位置pn）嵌入在SE(3)李群中，陀螺仪偏置作为附加向量处理。论文详细推导了状态传播方程（基于陀螺仪和雷达速度）对应的误差状态雅可比矩阵Fn。对于测量更新，研究针对两种重要修正源建立了模型：a) GNSS位置修正：直接测量世界坐标系下的位置pn；b) 三维地图修正：通过车载激光雷达（LiDAR）扫描点云与城市三维地图进行迭代最近点（Iterative Closest Point, ICP）配准，同时得到位置pn和姿态Rn的测量值。论文附录详细给出了相应的测量模型、雅可比矩阵Hn以及基于李群理论的创新计算步骤。 * 对比基准：IMU的IEKF实现： 为了公平比较，研究也实现了一个将传统IMU（包含三轴陀螺仪和三轴加速度计）状态嵌入在SE2(3)李群中的左不变IEKF作为基准。
4. 实验设计与评估 研究在一个名为“NavInst”的自定义数据集上进行了全面测试。实验平台配备多种传感器，包括立体相机、GNSS接收机、激光雷达和汽车雷达。本研究所用核心传感器为：ZED2i相机内的低成本IMU（陀螺仪偏置不稳定性约18度/小时）和Omnipresense OPS241-A低成本雷达（工作频率20 Hz）。参考真值由Novatel PwrPak7 GNSS接收机与KVH 1750 IMU集成，并通过实时动态载波相位差分技术（Real-Time Kinematic, RTK）处理获得。 测试涵盖了四种具有挑战性的真实城市场景：开阔天空（良好GNSS覆盖）、混合场景（GNSS与三维地图交替可用）、密集城区（长期GNSS失效，依赖三维地图）以及室内停车场（初始室外，后进入仅有三维地图可用的室内车库）。评估指标包括：相对平移误差（Trel, %）、相对旋转误差（Rrel, deg/m）、绝对轨迹误差（Absolute Trajectory Error, ATE, m）以及轨迹误差的累积分布函数（CDF-TE）。在每种场景下，均对比了四种方法的性能：纯RIDR航位推算、纯IMU航位推算、RIDR集成IEKF（LIEKF-RIDR）以及IMU集成IEKF（LIEKF-IMU）。
四、 研究的主要结果 实验结果全面且有力地支持了所提方法的优越性。
1. 前向速度估计结果： 在短测试轨迹上，基于深度学习的去噪器估计的前向速度与参考真值的均方误差为0.056 m²/s²，显著优于最佳参数SavGol滤波器的0.526 m²/s²。消融实验进一步证明，自编码器与中值滤波器结合的架构（即所提方法）性能最佳。在纯航位推算测试中，使用深度学习去噪器的RIDR模型绝对轨迹误差为行程的3.71%，优于使用SavGol滤波器的4.02%，而IMU方法则在几秒钟后便严重发散。
2. 完整轨迹定位结果： * 稳健性对比： 在所有四种测试场景中，纯RIDR航位推算方案虽然会累积误差，但其误差是有限的，轨迹始终保持在真实轨迹附近。相反，纯IMU航位推算方案在轨迹开始后很快便严重发散。这充分验证了RIDR模型（去除加速度计）在抵抗误差累积方面的固有稳健性。 * 集成滤波性能： 当引入IEKF与外部修正源融合后，LIEKF-RIDR在所有场景下均展现出比LIEKF-IMU更优的稳定性和精度。特别是在GNSS信号断续或失效、仅依赖三维地图的混合、密集城区及室内场景中，LIEKF-RIDR能够更平滑地在不同修正源间切换，并更有效地估计传感器偏置，轨迹更贴近参考真值。LIEKF-IMU则仍表现出明显的漂移趋势。 * 定量指标： 综合所有测试轨迹（总长16.48公里），LIEKF-RIDR取得了平均1.45% 的相对平移误差，平均绝对轨迹误差低于2米。在轨迹误差累积分布函数的2σ百分位（代表95%的误差水平），LIEKF-RIDR的平均误差为4.41米，而LIEKF-IMU的平均误差高达43.75米，前者比后者优一个数量级。对于纯航位推算方案，RIDR在2σ百分位的平均误差（176.80米）也远小于IMU方案（135.45×10³米）。
五、 研究的结论与价值 本研究成功提出并验证了一种名为雷达惯性航位推算的新型陆地车辆定位方法。结论表明，该方法完全优于传统的IMU基定位方法。其核心价值体现在： * 科学价值： 提出了一种新颖的传感器组合范式（三陀螺仪+单雷达），通过深度学习方法巧妙解决了低成本雷达数据噪声大和标定难的问题，并将先进的李群理论（不变卡尔曼滤波）应用于该新型模型，实现了鲁棒的多传感器融合。这为惯性导航领域提供了新的技术思路和理论实践范例。 * 应用价值： 该方法使用低成本传感器，在复杂的城市环境中实现了高精度、高稳健的定位，为解决自动驾驶车辆在GNSS拒止环境（如隧道、地下车库、城市峡谷）下的定位难题提供了切实可行的方案。它可作为未来自动驾驶车辆定位系统的核心组件，提升其安全性和可靠性。此外，该方法也适用于测绘车辆等对连续精确定位有高需求的其他领域。
六、 研究的亮点 1. 方法创新性： 首创了“雷达替代加速度计”的RIDR定位架构，从根本上规避了加速度计积分误差和重力干扰这一惯性导航的核心难题。 2. 技术融合深度： 将深度学习（自编码器去噪）、传统信号处理（中值滤波） 和现代估计理论（不变卡尔曼滤波） 三者深度结合，形成了一个完整且高效的解决方案。 3. 实用性强： 整个方案基于低成本传感器，网络模型轻量化，适合实时部署。所设计的IEKF框架易于扩展集成其他传感器（如相机、磁力计）。 4. 验证全面： 在包含开阔天空、城区、室内等多种挑战性环境的真实数据集上进行测试，结果具有高度说服力。
七、 其他有价值内容 研究还进行了深入的讨论，指出RIDR当前的数据率受限于雷达（20 Hz），相比高频IMU（如100 Hz）在预测间隔上存在劣势。但作者指出，其带来的稳健性提升远大于此代价（例如，在3σ误差水平上，RIDR比IMU优812倍），且随着汽车雷达技术的快速发展，数据率问题将得到缓解。此外，作者也坦诚提及深度学习模块在商业应用中的认证挑战，但其成果可为开发更先进的信号处理技术提供基准。论文附录提供了详尽的李群理论基础和IEKF推导过程，具有很高的参考价值。