Uncertainty-Aware Velocity Correction for Proprioceptive Vehicle Localization using Evidential Mamba

Resumen Técnico: Corrección de Velocidad Consciente de la Incertidumbre para la Localización Vehicular Propioceptiva mediante Mamba Evidencial

Planteamiento del Problema
La localización vehicular fiable en entornos sin GNSS (Global Navigation Satellite System) (por ejemplo, túneles, estructuras de estacionamiento) sigue siendo un desafío crítico. Aunque los Sistemas de Navegación Inercial (INS) son el estándar, sufren de una deriva de posición ilimitada debido a la acumulación de ruido y sesgo en los datos de la Unidad de Medición Inercial (IMU) sin correcciones externas. Las soluciones existentes suelen depender de infraestructura dedicada, sensores externos costosos (por ejemplo, Correvit) o una fusión de múltiples sensores compleja, lo que introduce barreras de despliegue. Además, aunque los métodos basados en datos han mejorado la navegación de estima (dead reckoning) basada en IMU, su efectividad suele limitarse a periodos cortos de interrupción, y muchos carecen de una cuantificación de la incertidumbre con principios sólidos, lo cual es esencial para una estimación de estado robusta.

Metodología
El artículo propone la Corrección de Velocidad Evidencial mediante Mamba (EVC-Mamba), una arquitectura basada en aprendizaje que transforma los datos de los sensores de a bordo del vehículo en un "sensor de velocidad virtual" para corregir la deriva de la IMU sin hardware adicional. El marco consta de tres componentes principales:

1. Modelado Temporal Basado en Mamba:
   En lugar de utilizar Redes Neuronales Recurrentes (RNN) o Transformers, la arquitectura emplea un Modelo de Espacio de Estados Selectivo (SSM) basado en Mamba. Este modelo captura la dinámica temporal del movimiento del vehículo a partir de secuencias de sensores de a bordo (ángulo de giro del volante, velocidades de las ruedas, aceleración lateral, presión del freno, etc.). La arquitectura Mamba ofrece una complejidad de inferencia de tiempo lineal, lo que la hace adecuada para el despliegue en tiempo real, mientras que sus parámetros dependientes de la entrada le permiten adaptarse a diversas condiciones de conducción.

2. Aprendizaje Profundo Evidencial para la Cuantificación de la Incertidumbre:
   Para abordar la incertidumbre inherente en la estimación de la velocidad a partir de sensores cinemáticos, el modelo utiliza aprendizaje profundo evidencial. En lugar de predecir una estimación puntual única, la red genera los parámetros de una distribución Normal-Inversa-Gamma (NIG). Esto permite al modelo predecir conjuntamente la media de la velocidad ($\tilde{v}_t$) y su incertidumbre asociada ($\delta\tilde{v}$), separando la incertidumbre aleatoria (de los datos) y la epistémica (del modelo). Esto se logra en una sola pasada hacia adelante (forward pass), evitando el costo computacional de los métodos de Monte Carlo Dropout o de ensambles.

3. Integración ES-EKF:
   La velocidad predicha y su incertidumbre se fusionan en un Filtro de Kalman Extendido de Estado de Error (ES-EKF) como una medición virtual. El filtro utiliza las estimaciones de incertidumbre para ponderar la señal de corrección, restringiendo eficazmente el crecimiento de los errores de posición y velocidad durante las interrupciones de GNSS. El sistema opera sobre un vector de estado que comprende posición, velocidad, orientación y sesgos de los sensores.

Contribuciones Clave

• Corrección de Velocidad Independiente de GNSS: Un sensor de velocidad virtual basado en aprendizaje que corrige la deriva de la IMU utilizando únicamente sensores estándar de a bordo (ángulo de giro, velocidades de las ruedas), eliminando la necesidad de hardware externo o infraestructura.
• Estimación Consciente de la Incertidumbre: La integración de un Mamba-SSM con un marco evidencial para proporcionar una cuantificación de la incertidumbre con principios sólidos y de una sola pasada junto con las estimaciones de velocidad, permitiendo señales de corrección robustas para la estimación de estado.
• Despliegue en el Borde (Edge) en Tiempo Real: La arquitectura logra un rendimiento en tiempo real (40 Hz) en hardware de borde (NVIDIA Orin) con un bajo costo computacional (22.8 MFLOPs), superando a las arquitecturas de referencia basadas en Transformers en eficiencia, manteniendo una precisión superior.
• Integración ES-EKF: Una integración fluida de las mediciones virtuales aprendidas en un ES-EKF estándar para la navegación inercial.

Resultos
Evaluado en el conjunto de datos ReV-StED (datos vehiculares del mundo real con verdad de terreno mediante RTK/INS), el sistema demuestra:

• Precisión de Estimación de Velocidad: EVC-Mamba supera tanto a las bases cinemáticas como a las arquitecturas basadas en Transformers, logrando un RMSE de velocidad lateral de 0.011 m/s (frente a 0.017 m/s de los Transformers).
• Calibración de la Incertidumbre: Las incertididades predichas están bien calibradas, siguiendo de cerca la cobertura empírica de los errores reales.
• Desempeño de Localización: Durante las interrupciones de GNSS, EVC-Mamba reduce significativamente la deriva de posición en comparación con la navegación de estima de IMU no corregida.
  • En una interrupción de 10 minutos, la deriva de la IMU no corregida alcanzó los 142 metros, mientras que EVC-Mamba la redujo a 5.9 metros.
  • El desempeño se encuentra dentro del 10% de un sensor de hardware externo dedicado (Correvit), que sirve como el límite superior práctico para esta tarea.
• Eficiencia: El modelo opera a 40 Hz con una latencia de 20–24 ms, lo que lo hace aproximadamente tres veces más eficiente computacionalmente que las bases de Transformers.

Significancia y Reivindicaciones
Los autores afirman que EVC-Mamba proporciona una alternativa rentable y sin necesidad de hardware adicional para una localización propioceptiva fiable durante interrupciones prolongadas de GNSS. Al aprovechar los sensores de a bordo existentes y el modelado de secuencias avanzado, el sistema logra una precisión de localización comparable a la de los sensores externos costosos sin los costos de despliegue asociados. Este trabajo destaca el potencial de combinar los Modelos de Espacio de Estados Selectivos con el aprendizaje evidencial para crear módulos de percepción robustos y conscientes de la incertidumbre para vehículos autónomos, abordando específicamente la brecha entre las correcciones de datos de corto plazo y la navegación fiable a largo plazo.