慣性支援型ナビゲーションのためのディープ・スムージングを用いたベイズ学習強化ナビゲーション

要旨: 調査や地図作成などのアプリケーションにおいて、正確な事後処理ナビゲーションは不可欠です。そこでは、測定履歴全体を活用することで、過去の状態推定をより洗練させることができます。等間隔平滑化アルゴリズムは、ガウス仮定の下では理論的に最適な解を表します。 しかし、緩く結合されたINS/GNSSシステムは本質的に、元のGNSS測定に由来する体系的な位置バイアスを引き継いでしまうため、モデルベースのスムーザでは解消できない持続的な精度ギャップが残ります。 この制約に対処するために、我々はBLENDSを提案します。BLENDSは、ベイズ学習と深層平滑化を統合し、ナビゲーション性能を向上させます。 BLENDSは、古典的な2フィルタ平滑化器をトランスフォーマベースのニューラルネットワークで拡張する、データ駆動型の事後処理フレームワークです。ベイズの枠組みの中で、フィルタ共分散行列を修正し、平滑化された誤差状態に対して直接加法的な補正を適用することを学習します。新規なベイズ整合（Bayesian-consistent）損失は、平滑化された平均と共分散を同時に監督し、統計的整合性を維持しつつ最小分散推定を強制します。 BLENDSは、モバイルロボットとクアドロトール（四輪飛行体）にまたがる2つの実環境データセットで評価されます。未見の全テスト軌道において、BLENDSはベースラインのフォワードEKFに比べて水平位置で最大63%の改善を達成します。