Inertial and Doppler velocity log sensors are commonly used to provide the navigation solution for autonomous underwater vehicles (AUV). To this end, a nonlinear filter is adopted for the fusion task. The filter's process noise covariance matrix is critical for filter accuracy and robustness. While this matrix varies over time during the AUV mission, the filter assumes a constant matrix. Several models and learning approaches in the literature suggest tuning the process noise covariance during operation. In this work, we propose ProNet, a hybrid, adaptive process, noise estimation approach for a velocity-aided navigation filter. ProNet requires only the inertial sensor reading to regress the process noise covariance. Once learned, it is fed into the model-based navigation filter, resulting in a hybrid filter. Simulation results show the benefits of our approach compared to other models and learning adaptive approaches.

惯性导航系统与全球导航卫星系统之间的融合经常用于许多平台，例如无人机，陆地车辆和船舶船只。融合通常是在基于模型的扩展卡尔曼过滤框架中进行的。过滤器的关键参数之一是过程噪声协方差。它负责实时解决方案的准确性，因为它考虑了车辆动力学不确定性和惯性传感器质量。在大多数情况下，过程噪声被认为是恒定的。然而，由于整个轨迹的车辆动力学和传感器测量变化，过程噪声协方差可能会发生变化。为了应对这种情况，文献中建议了几种基于自适应的Kalman过滤器。在本文中，我们提出了一个混合模型和基于学习的自适应导航过滤器。我们依靠基于模型的Kalman滤波器和设计深神网络模型来调整瞬时系统噪声协方差矩阵，仅基于惯性传感器读数。一旦学习了过程噪声协方差，就可以将其插入建立的基于模型的Kalman滤波器中。在推导了提出的混合框架后，提出了使用四极管的现场实验结果，并给出了与基于模型的自适应方法进行比较。我们表明，所提出的方法在位置误差中获得了25％的改善。此外，提出的混合学习方法可以在任何导航过滤器以及任何相关估计问题中使用。

自动水下车辆（AUV）通常在许多水下应用中使用。最近，在文献中，多旋翼无人自动驾驶汽车（UAV）的使用引起了更多关注。通常，两个平台都采用惯性导航系统（INS）和协助传感器进行准确的导航解决方案。在AUV导航中，多普勒速度日志（DVL）主要用于帮助INS，而对于无人机，通常使用全球导航卫星系统（GNSS）接收器。辅助传感器和INS之间的融合需要在估计过程中定义步长参数。它负责解决方案频率更新，并最终导致其准确性。步长的选择在计算负载和导航性能之间构成了权衡。通常，与INS操作频率（数百个HERTZ）相比，帮助传感器更新频率要慢得多。对于大多数平台来说，这种高率是不必要的，特别是对于低动力学AUV。在这项工作中，提出了基于监督机器学习的自适应调整方案，以选择适当的INS步骤尺寸。为此，定义了一个速度误差，允许INS/DVL或INS/GNSS在亚最佳工作条件下起作用，并最大程度地减少计算负载。模拟和现场实验的结果显示了使用建议的方法的好处。此外，建议的框架可以应用于任何类型的传感器或平台之间的任何其他融合场景。

自动水下车辆（AUV）执行各种应用，例如海底映射和水下结构健康监测。通常，由多普勒速度日志（DVL）提供的惯性导航系统用于提供车辆的导航解决方案。在这种融合中，DVL提供了AUV的速度向量，从而确定导航解决方案的准确性并有助于估计导航状态。本文提出了BeamsNet，这是一个端到端的深度学习框架，用于回归估计的DVL速度向量，以提高速度向量估算的准确性，并可以替代基于模型的方法。提出了两个版本的BeamsNet，其输入与网络不同。第一个使用当前的DVL光束测量和惯性传感器数据，而另一个仅利用DVL数据，对回归过程进行了当前和过去的DVL测量值。进行了模拟和海上实验，以验证相对于基于模型的方法的拟议学习方法。使用地中海的Snapir AUV进行了海洋实验，收集了大约四个小时的DVL和惯性传感器数据。我们的结果表明，提出的方法在估计DVL速度矢量方面取得了超过60％的改善。

线性卡尔曼过滤器通常用于车辆跟踪。该过滤器需要了解车辆轨迹以及系统的统计数据和测量模型。在现实生活中，确定这些模型时做出的先前假设不存在。结果，总体过滤器性能降低，在某些情况下，估计的状态分歧。为了克服{车辆运动学}轨迹建模的不确定性，可以使用其他人工过程噪声或可以使用不同类型的自适应过滤器。本文提出了基于{Model和}机器学习算法的自适应Kalman滤波器。首先，使用复发性神经网络来学习车辆的几何和运动学特征。反过来，这些功能被插入监督的学习模型，从而提供了在Kalman框架中使用的实际过程噪声协方差。使用牛津机器人数据集评估了所提出的方法并将其与其他六个自适应过滤器进行了比较。提出的框架可以在其他估计问题中实现，以准确确定实时场景中的过程噪声协方差。

Autonomous underwater vehicles (AUVs) are regularly used for deep ocean applications. Commonly, the autonomous navigation task is carried out by a fusion between two sensors: the inertial navigation system and the Doppler velocity log (DVL). The DVL operates by transmitting four acoustic beams to the sea floor, and once reflected back, the AUV velocity vector can be estimated. However, in real-life scenarios, such as an uneven seabed, sea creatures blocking the DVL's view and, roll/pitch maneuvers, the acoustic beams' reflection is resulting in a scenario known as DVL outage. Consequently, a velocity update is not available to bind the inertial solution drift. To cope with such situations, in this paper, we leverage our BeamsNet framework and propose a Set-Transformer-based BeamsNet (ST-BeamsNet) that utilizes inertial data readings and previous DVL velocity measurements to regress the current AUV velocity in case of a complete DVL outage. The proposed approach was evaluated using data from experiments held in the Mediterranean Sea with the Snapir AUV and was compared to a moving average (MA) estimator. Our ST-BeamsNet estimated the AUV velocity vector with an 8.547% speed error, which is 26% better than the MA approach.

The performance of inertial navigation systems is largely dependent on the stable flow of external measurements and information to guarantee continuous filter updates and bind the inertial solution drift. Platforms in different operational environments may be prevented at some point from receiving external measurements, thus exposing their navigation solution to drift. Over the years, a wide variety of works have been proposed to overcome this shortcoming, by exploiting knowledge of the system current conditions and turning it into an applicable source of information to update the navigation filter. This paper aims to provide an extensive survey of information aided navigation, broadly classified into direct, indirect, and model aiding. Each approach is described by the notable works that implemented its concept, use cases, relevant state updates, and their corresponding measurement models. By matching the appropriate constraint to a given scenario, one will be able to improve the navigation solution accuracy, compensate for the lost information, and uncover certain internal states, that would otherwise remain unobservable.

本文提出了一种轻巧，有效的校准神经网络模型，用于降低低成本微电力系统（MEMS）陀螺仪，并实时估算机器人的态度。关键思想是从惯性测量单元（IMU）测量的时间窗口中提取本地和全局特征，以动态地回归陀螺仪的输出补偿组件。遵循精心推导的数学校准模型，LGC-NET利用深度可分离的卷积捕获截面特征并减少网络模型参数。较大的内核注意力旨在更好地学习远程依赖性和特征表示。在EUROC和TUM-VI数据集中评估了所提出的算法，并在具有更轻巧模型结构的（看不见的）测试序列上实现了最先进的测试。尽管它不采用视觉传感器，但与我们的LGC-NET的估计取向与排名最高的视觉惯性探针系统相当。我们在：https：//github.com/huazai665/lgc-net上进行开源方法

移动机器人用于工业，休闲和军事应用。在某些情况下，机器人导航解决方案仅依赖于惯性传感器，因此，导航解决方案会及时漂移。在本文中，我们提出了MORPI框架，这是一种移动机器人纯惯性方法。机器人没有以直线轨迹行进，而是以周期性运动轨迹移动，以实现峰值估计。以这种方式，使用经验公式来估计行进距离，而不是进行三个集成来计算经典惯性解决方案中的机器人位置。提出了两种类型的MORPI方法，其中一种方法基于加速度计和陀螺仪读数，而另一种仅基于陀螺仪。封闭形式的分析溶液被得出表明，与经典的纯惯性溶液相比，MORPI产生较低的位置误差。此外，为了评估所提出的方法，使用配备两种类型的惯性传感器的移动机器人进行现场实验。总共收集了143个轨迹，持续时间为75分钟并评估。结果表明使用我们的方法的好处。为了促进拟议方法的进一步开发，数据集和代码均可在https://github.com/ansfl/morpi上公开获得。

在多传感器数据融合的背景下，我们检查时间延迟估计或时间校准的问题。处理间隔和其他因素的差异通常导致不同传感器的测量更新之间的相对延迟。正确（最佳）数据融合要求需要预先知道或在线识别相对延迟。在文献中有几个最近的建议，可以使用递归，因果滤波器等延迟确定延长的卡尔曼滤波器（EKF）。我们仔细审查了该制定，并表明当延迟在滤波器状态向量中作为要估计的参数时，eKF（和相关算法）的结构存在基本问题。反过来，这些结构问题既容易发生递归过滤器偏置和不一致。我们的理论分析得到了仿真研究支持，这些研究表明了过滤性能方面的影响;虽然过滤噪声差异的调整可以减少不一致或发散的可能性，但仍然存在潜在的结构问题。我们提供简要建议，以便在避免标准滤波算法的缺点时维持递归过滤的计算效率。

惯性辅助系统需要连续的运动激发，以表征测量偏差，这些偏差将使本地化框架需要准确的集成。本文建议使用信息性的路径计划来找到最佳的轨迹，以最大程度地减少IMU偏见的不确定性和一种自适应痕迹方法，以指导规划师朝着有助于收敛的轨迹迈进。关键贡献是一种基于高斯工艺（GP）的新型回归方法，以从RRT*计划算法的变体之间实现连续性和可区分性。我们采用应用于GP内核函数的线性操作员不仅推断连续位置轨迹，还推断速度和加速度。线性函数的使用实现了IMU测量给出的速度和加速度约束，以施加在位置GP模型上。模拟和现实世界实验的结果表明，IMU偏差收敛的计划有助于最大程度地减少状态估计框架中的本地化错误。

A reliable self-contained navigation system is essential for autonomous vehicles. Based on our previous study on Wheel-INS \cite{niu2019}, a wheel-mounted inertial measurement unit (Wheel-IMU)-based dead reckoning (DR) system, in this paper, we propose a multiple IMUs-based DR solution for the wheeled robots. The IMUs are mounted at different places of the wheeled vehicles to acquire various dynamic information. In particular, at least one IMU has to be mounted at the wheel to measure the wheel velocity and take advantages of the rotation modulation. The system is implemented through a distributed extended Kalman filter structure where each subsystem (corresponding to each IMU) retains and updates its own states separately. The relative position constraints between the multiple IMUs are exploited to further limit the error drift and improve the system robustness. Particularly, we present the DR systems using dual Wheel-IMUs, one Wheel-IMU plus one vehicle body-mounted IMU (Body-IMU), and dual Wheel-IMUs plus one Body-IMU as examples for analysis and comparison. Field tests illustrate that the proposed multi-IMU DR system outperforms the single Wheel-INS in terms of both positioning and heading accuracy. By comparing with the centralized filter, the proposed distributed filter shows unimportant accuracy degradation while holds significant computation efficiency. Moreover, among the three multi-IMU configurations, the one Body-IMU plus one Wheel-IMU design obtains the minimum drift rate. The position drift rates of the three configurations are 0.82\% (dual Wheel-IMUs), 0.69\% (one Body-IMU plus one Wheel-IMU), and 0.73\% (dual Wheel-IMUs plus one Body-IMU), respectively.

对深度神经网络（DNN）进行了训练，以估计在城市区域驾驶的汽车速度，并输入来自低成本六轴惯性测量单元（IMU）的测量流。通过在配备了全球导航卫星系统（GNSS）实时运动学（RTK）定位设备和同步IMU的汽车中，通过驾驶以色列阿什杜德市（Ashdod）驾驶以色列市Ashdod市收集了三个小时的数据。使用以50 Hz的高速率获得的位置测量值计算了汽车速度的地面真实标签。提出了具有长短期内存层的DNN体系结构，以实现高频速度估计，以说明以前的输入历史记录和速度，加速度和角速度之间的非线性关系。制定了简化的死亡算法定位方案，以评估训练有素的模型，该模型提供了速度伪测量。训练有素的模型显示可在4分钟车程中大大提高位置准确性，而无需使用GNSS位置更新。

本文为自动驾驶车辆提供了基于激光雷达的同时定位和映射（SLAM）。研究了来自地标传感器的数据和自适应卡尔曼滤波器（KF）中的带状惯性测量单元（IMU）加上系统的可观察性。除了车辆的状态和具有里程碑意义的位置外，自我调整过滤器还估计IMU校准参数以及测量噪声的协方差。流程噪声，状态过渡矩阵和观察灵敏度矩阵的离散时间协方差矩阵以封闭形式得出，使其适合实时实现。检查3D SLAM系统的可观察性得出的结论是，该系统在地标对准的几何条件下仍然可以观察到。

最近，数据驱动的惯性导航方法已经证明了它们使用训练有素的神经网络的能力，以获得来自惯性测量单元（IMU）测量的精确位置估计。在本文中，我们提出了一种用于惯性导航〜（CTIN）的基于鲁棒的基于变压器的网络，以准确地预测速度和轨迹。为此，我们首先通过本地和全局多头自我注意力增强基于Reset的编码器，以捕获来自IMU测量的空间上下文信息。然后，我们通过在变压器解码器中利用多针头注意，使用时间知识来熔化这些空间表示。最后，利用不确定性减少的多任务学习，以提高速度和轨迹的学习效率和预测准确性。通过广泛的实验在各种惯性数据集中〜（例如，ridi，oxiod，ronin，偶像和我们自己的），CTIN非常坚固，优于最先进的模型。

Visual Inertial Odometry (VIO) is one of the most established state estimation methods for mobile platforms. However, when visual tracking fails, VIO algorithms quickly diverge due to rapid error accumulation during inertial data integration. This error is typically modeled as a combination of additive Gaussian noise and a slowly changing bias which evolves as a random walk. In this work, we propose to train a neural network to learn the true bias evolution. We implement and compare two common sequential deep learning architectures: LSTMs and Transformers. Our approach follows from recent learning-based inertial estimators, but, instead of learning a motion model, we target IMU bias explicitly, which allows us to generalize to locomotion patterns unseen in training. We show that our proposed method improves state estimation in visually challenging situations across a wide range of motions by quadrupedal robots, walking humans, and drones. Our experiments show an average 15% reduction in drift rate, with much larger reductions when there is total vision failure. Importantly, we also demonstrate that models trained with one locomotion pattern (human walking) can be applied to another (quadruped robot trotting) without retraining.

在本文中，我们提出了一个混合神经网络增强基于物理的建模（APBM）框架，用于贝叶斯非线性潜在空间估计。提出的APBM策略允许在新的操作条件发挥作用时进行模型适应，或者基于物理的模型不足（或不完整）无法正确描述潜在现象。APBM的优点和我们的估计程序是维持估计状态的物理解释性的能力。此外，我们提出了一种约束过滤方法，以控制对整个模型的神经网络贡献。我们还利用假定的密度滤波技术和立方体集成规则，以提出灵活的估计策略，该策略可以轻松处理非线性模型和高维度的潜在空间。最后，我们通过分别利用非线性和不完整的测量和加速模型来利用目标跟踪方案来证明我们的方法论的功效。

由于低成本的惯性传感器误差积累，行人死的估算是一项具有挑战性的任务。最近的研究表明，深度学习方法可以在处理此问题时获得令人印象深刻的性能。在这封信中，我们使用基于深度学习的速度估计方法提出了惯性的进程。基于RES2NET模块和两个卷积块注意模块的深神经网络被利用，以恢复智能手机的水平速度矢量与原始惯性数据之间的潜在连接。我们的网络仅使用百分之五十的公共惯性探子仪数据集（RONIN）数据进行培训。然后，在Ronin测试数据集和另一个公共惯性探针数据集（OXIOD）上进行了验证。与传统的阶梯长度和基于标题的基于系统的算法相比，我们的方法将绝对翻译误差（ATE）降低了76％-86％。此外，与最先进的深度学习方法（Ronin）相比，我们的方法将其ATE提高了6％-31.4％。

当前的融合定位系统主要基于过滤算法，例如卡尔曼过滤或粒子过滤。但是，实际应用方案的系统复杂性通常很高，例如行人惯性导航系统中的噪声建模或指纹匹配和定位算法中的环境噪声建模。为了解决这个问题，本文提出了一个基于深度学习的融合定位系统，并提出了一种转移学习策略，以改善具有不同分布的样本的神经网络模型的性能。结果表明，在整个地板方案中，融合网络的平均定位精度为0.506米。转移学习的实验结果表明，惯性导航定位步骤大小和不同行人的旋转角的估计精度可以平均提高53.3％，可以将不同设备的蓝牙定位精度提高33.4％，并且融合可以提高。可以提高31.6％。

机器人应用不断努力朝着更高的自主权努力。为了实现这一目标，高度健壮和准确的状态估计是必不可少的。事实证明，结合视觉和惯性传感器方式可以在短期应用中产生准确和局部一致的结果。不幸的是，视觉惯性状态估计器遭受长期轨迹漂移的积累。为了消除这种漂移，可以将全球测量值融合到状态估计管道中。全球测量的最著名和广泛可用的来源是全球定位系统（GPS）。在本文中，我们提出了一种新颖的方法，该方法完全结合了立体视觉惯性同时定位和映射（SLAM），包括视觉循环封闭，并在基于紧密耦合且基于优化的框架中融合了全球传感器模式。结合了测量不确定性，我们提供了一个可靠的标准来解决全球参考框架初始化问题。此外，我们提出了一个类似环路的优化方案，以补偿接收GPS信号中断电中累积的漂移。在数据集和现实世界中的实验验证表明，与现有的最新方法相比，与现有的最新方法相比，我们对GPS辍学方法的鲁棒性以及其能够估算高度准确且全球一致的轨迹的能力。