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

Technische Samenvatting: Onzekerheidsbewuste Snelheidscorrectie voor Proprioceptieve Voertuiglokalisatie met Evidential Mamba

Probleemstelling
Betrouwbare voertuiglokalisatie in omgevingen zonder GNSS-signaal (bijv. tunnels, parkeergarages) blijft een kritieke uitdaging. Hoewel Inertial Navigation Systems (INS) de standaard zijn, lijden deze aan onbegrensde positiedrift door de accumulatie van ruis en bias in de gegevens van de Inertial Measurement Unit (IMU) zonder externe correcties. Bestaande oplossingen vertrouwen vaak op specifieke infrastructuur, dure externe sensoren (bijv. Correvit) of complexe multi-sensor fusie, wat barrières voor implementatie opwerpt. Bovendien, hoewel datagedreven methoden de IMU-gebaseerde dead reckoning hebben verbeterd, is hun effectiviteit vaak beperkt tot korte uitvalperiodes, en missen veel van deze methoden een principiële onzekerheidskwantificering, wat essentieel is voor robuuste staatsschatting.

Methodologie
Het artikel stelt Evidential Velocity Correction using Mamba (EVC-Mamba) voor, een lerende architectuur die de onboard voertuigsensordata transformeert naar een "virtuele snelheidsensor" om IMU-drift te corrigeren zonder extra hardware. Het framework bestaat uit drie kerncomponenten:

1. Mamba-gebaseerde Temporele Modellering:
   In plaats van Recurrent Neural Networks (RNN's) of Transformers gebruikt de architectuur een Mamba-gebaseerd Selective State Space Model (SSM). Dit model legt de temporele dynamiek van de voertuigbeweging vast vanuit onboard sensorsequenties (stuورhoek, wielsnelheden, laterale versnelling, remdruk, etc.). De Mamba-architectuur biedt lineaire inferentiecomplexiteit, wat geschikt is voor real-time implementatie, terwijl de input-afhankelijke parameters het model in staat stellen zich aan te passen aan variërende rijomstandigheden.

2. Evidential Deep Learning voor Onzekerheidskwantificering:
   Om de inherente onzekerheid bij het schatten van snelheid uit kinematische sensoren aan te pakken, maakt het model gebruik van evidential deep learning. In plaats van een enkele puntinschatting te voorspellen, voorspelt het netwerk de parameters van een Normal-Inverse-Gamma (NIG) verdeling. Dit stelt het model in staat om zowel de gemiddelde snelheid ($\tilde{v}_t$) als de bijbehorende onzekerheid ($\delta\tilde{v}$) gezamenlijk te voorspellen, waarbij aleatorische (data) en epistemische (model) onzekerheid worden gescheiden. Dit wordt bereikt in een enkele forward pass, waardoor de computationele kosten van Monte Carlo Dropout of ensemble-methoden worden vermeden.

3. ES-EKF Integratie:
   De voorspelde snelheid en de bijbehorende onzekerheid worden gefuseerd in een Error-State Extended Kalman Filter (ES-EKF) als een virtuele meting. De filter gebruikt de onzekerheidsschattingen om het correctiesignaal te wegen, waardoor de groei van positie- en snelheidsfouten tijdens GNSS-uitval effectief wordt beperkt. Het systeem werkt met een staatvector bestaande uit positie, snelheid, oriëntatie en sensorbiases.

Belangrijkste Bijdragen

• GNSS-onafhankelijke Snelheidscorrectie: Een lerende virtuele snelheidsensor die IMU-drift corrigeert met enkel standaard onboard sensoren (stuurhoek, wielsnelheden), waardoor de noodzaak voor externe hardware of infrastructuur vervalt.
• Onzekerheidsbewuste Schatting: De integratie van een Mamba-SSM met een evidentieel framework om principiële, single-pass onzekerheidskwantificering te bieden naast snelheidsinschattingen, wat robuuste correctiesignalen voor staatsschatting mogelijk maakt.
• Real-Time Edge Implementatie: De architectuur bereikt real-time prestaties (40 Hz) op edge-hardware (NVIDIA Orin) met een lage computationele kosten (22,8 MFLOPs), waarbij het Transformer-gebaseerde baselines overtreft in efficiëntie terwijl de superieure nauwkeurigheid behouden blijft.
• ES-EKF Integratie: Een naadloze integratie van de geleerde virtuele metingen in een standaard Error-State EKF voor inertiële navigatie.

Resultaten
Geëvalueerd op de ReV-StED dataset (wereldwijde voertuiggegevens met grondwaarheid van RTK/INS), demonstreert het systeem:

• Snelheidsinschattingsnauwkeurigheid: EVC-Mamba presteert beter dan zowel kinematische baselines als Transformer-gebaseerde architecturen, met een laterale snelheid RMSE van 0,011 m/s (vergeleken met 0,017 m/s voor Transformers).
• Onzekerheidskalibratie: De voorspelde onzekerheden zijn goed gekalibreerd en volgen nauwlettend de empirische dekking van de werkelijke fouten.
• Lokalisatieprestaties: Tijdens GNSS-uitval vermindert EVC-Mamba de positiedrift aanzienlijk vergeleken met ongecorrigeerde IMU dead reckoning.
  • In een uitvalperiode van 10 minuten bereikte de ongecorrigeerde IMU-drift 142 meter, terwijl EVC-Mamba dit verminderde tot 5,9 meter.
  • De prestatie ligt binnen 10% van een dedicated externe hardware-sensor (Correvit), die dient als de praktische bovengrens voor deze taak.
• Efficiëntie: Het model werkt met 40 Hz en een latentie van 20–24 ms, wat het ongeveer drie keer zo computationeel efficiënt maakt als Transformer-baselines.

Betekenis en Claims
De auteurs beweren dat EVC-Mamba een kostenefficiënt, hardware-vrij alternatief biedt voor betrouwbare proprioceptieve lokalisatie tijdens langdurige GNSS-uitval. Door gebruik te maken van bestaande onboard sensoren en geavanceerde sequentiemodellering, bereikt het systeem een lokalisatienauwkeurigheid die vergelijkbaar is met dure externe sensoren zonder de bijbehorende implementatiekosten. Dit werk benadrukt het potentieel van het combineren van Selective State Space Models met evidentieel leren om robuuste, onzekerheidsbewuste perceptiemodules voor autonome voertuigen te creëren, waarbij specifiek wordt ingegaan op de kloof tussen kortstondige datagedreven correcties en langdurig betrouwbare navigatie.