Neural Ranging Inertial Odometry

📄 arXiv: 2512.10531v1 📥 PDF

作者: Si Wang, Bingqi Shen, Fei Wang, Yanjun Cao, Rong Xiong, Yue Wang

分类: cs.RO

发布日期: 2025-12-11

备注: Accepted by 2025 IEEE International Conference on Robotics and Automation (ICRA)

DOI: 10.1109/ICRA55743.2025.11128550

💡 一句话要点

提出基于图注意力UWB网络和循环神经网络的融合框架，解决复杂环境下惯性里程计定位问题。

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 惯性里程计 超宽带 图神经网络 循环神经网络 传感器融合 定位 无GPS定位

📋 核心要点

  1. UWB在无GPS定位中潜力巨大，但易受传感器布置影响，多径和多信号干扰导致精度受限。
  2. 提出图注意力UWB网络和循环神经惯性网络融合框架，学习场景相关测距模式，无需校准实现精确定位。
  3. 实验证明，该方法在室内、室外和隧道等复杂环境下具有优越的性能和鲁棒性。

📝 摘要（中文）

本文提出了一种新颖的神经融合框架，用于测距惯性里程计，该框架包含一个图注意力UWB网络和一个循环神经惯性网络。图网络学习与场景相关的测距模式，并适应任意数量的锚点或标签，从而实现无需校准的精确定位。此外，最小二乘法的集成和标称坐标系的引入增强了整体性能和可扩展性。通过在室内、室外和隧道环境中的公共和自收集数据集上进行的大量实验验证了我们方法的有效性和鲁棒性。结果表明，我们提出的IR-ULSG在处理具有挑战性的条件（包括凸包外部的场景和仅有一个锚点可用的情况）方面具有优越性。

🔬 方法详解

问题定义：论文旨在解决在复杂环境中，例如长隧道等GPS信号受限的场景下，超宽带（UWB）测距定位精度受限的问题。现有方法对传感器布置敏感，且容易受到多径效应和多信号干扰的影响，导致非高斯误差分布，从而降低定位精度。

核心思路：论文的核心思路是利用图神经网络学习UWB测距数据中与场景相关的模式，并结合循环神经网络处理惯性测量单元（IMU）数据，实现UWB和IMU数据的有效融合。通过图注意力机制，网络可以自适应地学习不同锚点的重要性，从而提高定位精度和鲁棒性。

技术框架：整体框架包含两个主要模块：图注意力UWB网络（Graph Attention UWB Network）和循环神经惯性网络（Recurrent Neural Inertial Network）。首先，图注意力UWB网络接收UWB测距数据，通过图神经网络学习场景相关的测距模式，并输出位置估计。然后，循环神经惯性网络接收IMU数据，并利用循环神经网络提取运动特征。最后，将两个网络的输出进行融合，并使用最小二乘法进行优化，得到最终的定位结果。此外，还引入了标称坐标系以增强整体性能和可扩展性。

关键创新：最重要的技术创新点在于图注意力UWB网络。与传统方法不同，该网络能够自适应地学习不同UWB锚点的重要性，从而更好地处理多径效应和多信号干扰。此外，该网络还能够适应任意数量的锚点或标签，无需进行额外的校准。

关键设计：图注意力UWB网络使用图神经网络结构，其中节点表示UWB锚点或标签，边表示测距数据。图注意力机制用于学习不同节点之间的关系，并根据其重要性分配不同的权重。循环神经惯性网络使用LSTM或GRU等循环神经网络结构，用于提取IMU数据的时序特征。损失函数包括位置误差和方向误差，并使用最小二乘法进行优化。

📊 实验亮点

实验结果表明，该方法在室内、室外和隧道等复杂环境下均取得了优越的性能。尤其是在只有单个锚点可用的情况下，该方法仍然能够实现较为准确的定位。与现有方法相比，该方法在定位精度和鲁棒性方面均有显著提升。具体性能数据未知，但摘要强调了其在具有挑战性条件下的优越性。

🎯 应用场景

该研究成果可应用于室内导航、隧道定位、机器人导航、无人机定位等领域。在GPS信号受限或不稳定的环境中，该方法能够提供高精度、高鲁棒性的定位服务，具有重要的实际应用价值。未来，该方法可以进一步扩展到其他传感器融合场景，例如视觉惯性里程计（VIO）等。

📄 摘要（原文）

Ultra-wideband (UWB) has shown promising potential in GPS-denied localization thanks to its lightweight and drift-free characteristics, while the accuracy is limited in real scenarios due to its sensitivity to sensor arrangement and non-Gaussian pattern induced by multi-path or multi-signal interference, which commonly occurs in many typical applications like long tunnels. We introduce a novel neural fusion framework for ranging inertial odometry which involves a graph attention UWB network and a recurrent neural inertial network. Our graph net learns scene-relevant ranging patterns and adapts to any number of anchors or tags, realizing accurate positioning without calibration. Additionally, the integration of least squares and the incorporation of nominal frame enhance overall performance and scalability. The effectiveness and robustness of our methods are validated through extensive experiments on both public and self-collected datasets, spanning indoor, outdoor, and tunnel environments. The results demonstrate the superiority of our proposed IR-ULSG in handling challenging conditions, including scenarios outside the convex envelope and cases where only a single anchor is available.