KD-EKF：堅牢なUWB/PDR室内定位のための知識蒸留型適応共分散EKF

要旨: 超広帯域（UWB）屋内位置推定はセンチメートル級の精度と低遅延を提供しますが、非-Line-of-Sight（NLOS）条件下で測定の信頼性が著しく低下し、メートルスケールの距離誤差と一貫性のない不確実性特性を招きます。慣性計測ユニット（IMU）ベースの歩行者デッドレコニング（PDR）は、インフラストラクチャを使わない動作推定を提供することでUWBを補完します。しかし、その誤差はバイアスとノイズ伝搬により時間とともに非線形に蓄積します。拡張カルマンフィルタ（EKF）と粒子フィルタ（PF）に基づく融合手法は、確率的な状態推定を通じて平均的な位置推定精度を改善できます。しかし、これらのアプローチは通常、手動で調整された測定共分散に依存します。このような固定的またはヒューリスティックに調整されたパラメータは、室内レイアウトの変化、NLOS比、および動作パターンの変動とともに維持することが難しく、多様な環境における測定不確実性モデリングのロバスト性と一般化を制限します。この制限に対処するため、本研究は歴史的なUWB/PDR軌跡から信頼性の手掛かりを学習する適応的測定共分散スケーリングフレームワークを提案します。オフラインで大規模な教師モデルを用いて、構造化されたUWB/PDRシーケンスから時間的一貫性のある次位置予測を生成し、この挙動をリアルタイム実装に適した軽量な学生モデルに蒸留します。学生モデルは、予測残差に基づいてEKF測定共分散を継続的に調整することで、手動での再調整なしに環境認識型の融合を可能にします。実験結果は、提案されたKD-EKFフレームワークが定位誤差を有意に低減し、Line-of-Sight（LOS）/NLOS遷移時の誤差スパイクを抑制し、固定パラメータEKFと比較して長期的なドリフトを緩和することを示し、多様な室内環境における測定のロバスト性を向上させます。