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

Resumo Técnico: Correção de Velocidade Consciente de Incerteza para Localização Veicular Proprioceptiva usando Mamba Evidencial

Declaração do Problema
A localização veicular confiável em ambientes com negação de GNSS (Global Navigation Satellite System) (ex: túneis, estruturas de estacionamento) permanece um desafio crítico. Embora os Sistemas de Navegação Inercial (INS) sejam o padrão, eles sofrem de deriva de posição ilimitada devido ao acúmulo de ruído e viés nos dados da Unidade de Medição Inercial (IMU) sem correções externas. As soluções existentes frequentemente dependem de infraestrutura dedicada, sensores externos caros (ex: Correvit) ou fusão multissensorial complexa, o que introduz barreiras de implementação. Além disso, embora métodos baseados em dados tenham melhorado a navegação estimada (dead reckoning) baseada em IMU, sua eficácia é frequentemente limitada a períodos de interrupção curtos, e muitos carecem de uma quantificação de incerteza fundamentada, o que é essencial para uma estimativa de estado robusta.

Metodologia
O artigo propõe o EVC-Mamba (Evidential Velocity Correction using Mamba), uma arquitetura baseada em aprendizado que transforma dados de sensores veiculares embarcados em um "sensor de velocidade virtual" para corrigir o desvio da IMU sem hardware adicional. O framework consiste em três componentes principais:

1. Modelagem Temporal Baseada em Mamba:
   Em vez de usar Redes Neurais Recorrentes (RNNs) ou Transformers, a arquitetura emprega um Modelo de Espaço de Estados Seletivo (SSM) baseado em Mamba. Este modelo captura a dinâmica temporal do movimento do veículo a partir de sequências de sensores embarcados (ângulo do volante, velocidades das rodas, aceleração lateral, pressão do freio, etc.). A arquitetura Mamba oferece complexidade de inferência de tempo linear, tornando-a adequada para implantação em tempo real, enquanto seus parâmetros dependentes da entrada permitem que ela se adapte a diferentes condições de condução.

2. Aprendizado Profundo Evidencial para Quantificação de Incerteza:
   Para abordar a incerteza inerente na estimativa de velocidade a partir de sensores cinemáticos, o modelo utiliza aprendizado profundo evidencial. Em vez de prever uma estimativa de ponto único, a rede produz os parâmetros de uma distribuição Normal-Inversa-Gamma (NIG). Isso permite que o modelo preveja conjuntamente a velocidade média ($\tilde{v}_t$) e sua incerteza associada ($\delta\tilde{v}$), separando a incerteza aleatória (dados) da epistêmica (modelo). Isso é alcançado em uma única passagem direta (forward pass), evitando o custo computacional de métodos de Monte Carlo Dropout ou de ensembles.

3. Integração ES-EKF:
   A velocidade prevista e sua incerteza são fundidas em um Filtro de Kalman Estendido de Estado de Erro (ES-EKF) como uma medição virtual. O filtro usa as estimativas de incerteza para ponderar o sinal de correção, restringindo efetivamente o crescimento dos erros de posição e velocidade durante interrupções de GNSS. O sistema opera em um vetor de estado que compreende posição, velocidade, orientação e vieses de sensores.

Principais Contribuições

• Correção de Velocidade Independente de GNSS: Um sensor de velocidade virtual baseado em aprendizado que corrige o desvio da IMU usando apenas sensores padrão embarcados (ângulo de direção, velocidades das rodas), eliminando a necessidade de hardware externo ou infraestrutura.
• Estimativa Consciente de Incerteza: A integração de um Mamba-SSM com um framework evidencial para fornecer quantificação de incerteza de passagem única e fundamentada junto às estimativas de velocidade, permitindo sinais de correção robustos para estimativa de estado.
• Implantação em Tempo Real na Borda (Edge): A arquitetura alcança desempenho em tempo real (40 Hz) em hardware de borda (NVIDIA Orin) com baixo custo computacional (22,8 MFLOPs), superando baselines baseados em Transformer em eficiência, mantendo uma precisão superior.
• Integração ES-EKF: Uma integração contínua das medições virtuais aprendidas em um EKF de Estado de Erro padrão para navegação inercial.

Resultados
Avaliado no conjunto de dados ReV-StED (dados veiculares do mundo real com verdade de campo via RTK/INS), o sistema demonstra:

• Precisão de Estimativa de Velocidade: O EVC-Mamba supera tanto os baselines cinemáticos quanto as arquiteturas baseadas em Transformer, alcançando um RMSE de velocidade lateral de 0,011 m/s (comparado a 0,017 m/s para Transformers).
• Calibração de Incerteza: As incertezas previstas são bem calibradas, acompanhando de perto a cobertura empírica dos erros reais.
• Desempenho de Localização: Durante interrupções de GNSS, o EVC-Mamba reduz significativamente a deriva de posição em comparação com a navegação estimada (dead reckoning) não corrigida da IMU.
  • Em uma interrupção de 10 minutos, a deriva da IMU não corrigida atingiu 142 metros, enquanto o EVC-Mamba reduziu isso para 5,9 metros.
  • O desempenho está dentro de 10% de um sensor de hardware externo dedicado (Correvit), que serve como o limite superior prático para esta tarefa.
• Eficiência: O modelo opera a 40 Hz com 20–24 ms de latência, sendo aproximadamente três vezes mais eficiente computacionalmente do que os baselines de Transformer.

Significância e Alegações
Os autores alegam que o EVC-Mamba fornece uma alternativa de baixo custo e livre de hardware para localização proprioceptiva confiável durante interrupções prolongadas de GNSS. Ao aproveitar sensores embarcados existentes e modelagem de sequência avançada, o sistema alcança precisão de localização comparável a sensores externos caros sem os custos de implementação associados. O trabalho destaca o potencial de combinar Modelos de Espaço de Estados Seletivos com aprendizado evidencial para criar módulos de percepção robustos e conscientes de incerteza para veículos autônomos, abordando especificamente a lacuna entre correções baseadas em dados de curto prazo e navegação confiável de longo prazo.