無人地上車両のナビゲーションのためのハイブリッド・ニューラル支援アンサンテッド・カルマンフィルタ

要旨: 無人地上車両のための最新の自律航法は、慣性センサとGNSSの計測値を統合するために、さまざまな推定器に依存しています。しかし、ノイズ共分散行列を一定に設定することは、現実世界の動的な状況をうまく反映するのが難しいことがよくあります。本研究では、古典的な状態推定の基礎と、現代の深層学習アプローチをつなぐハイブリッド推定フレームワークを提案します。基礎となる無香点カルマンフィルタ（UKF）の方程式自体を変更するのではなく、生の慣性およびGNSS計測値から、プロセスノイズと計測ノイズの不確実性を直接予測するための専用の深層ニューラルネットワークを開発します。シミュレーション上のデータのみで学習を行うsim2realアプローチを提示します。これにより、完全なグランドトゥルースデータが得られ、また大規模なデータ収録の負担を軽減できます。提案手法の有効性を評価し、汎化能力を検討するために、車両タイプ（オフロード車両、乗用車、移動ロボット）、慣性センサ、路面、環境条件がそれぞれ異なる3つのデータセットから、160分のテストセットを用いました。3つのデータセットすべてにおいて、適応的なモデルベース手法と比べて位置精度が12.7\%改善することを示します。したがって、無人地上車両の航法タスクに対して、スケーラブルで、より頑健な解決策を提供することになります。