🤖 machine learning

Physics-Regularized Machine Learning for Proprioceptive Vehicle Localization Using Onboard Sensors

本文介绍了 PRML2，这是一个将机器学习与可微卡尔曼滤波器相结合的混合框架，旨在利用车载传感器实现鲁棒、实时的车辆定位，尤其在感知退化和低摩擦环境下表现出色。

原作者： Abinav Kalyanasundaram, Karthikeyan Chandra Sekaran, Wolfgang Utschick, Michael Botsch

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Abinav Kalyanasundaram, Karthikeyan Chandra Sekaran, Wolfgang Utschick, Michael Botsch

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正开车行驶在浓雾弥漫的道路上，看不清路标，而且 GPS 信号也完全消失了。那么汽车是如何知道自己所处位置的呢？

通常，汽车依赖于 GPS（像是一张地图）和 IMU（惯性测量单元，一种感知加速度的传感器，类似于人类的内耳）的结合。但当 GPS 失效时，“内耳”传感器就会开始产生混乱并偏离航向，就像一个人在原地转圈，逐渐失去了方向感。

这篇论文介绍了一种名为 PRML2 的新系统来解决这个问题。它教会汽车仅使用汽车自带的标准传感器（如车轮转速、转向角度和刹车压力）来感知自身位置，而无需依赖昂贵的额外摄像头或激光雷达。

以下是该系统的运作方式，通过简单的概念进行拆解：

1. 问题所在：“漂移”的内耳

将标准的汽车传感器（IMU）想象成一个试图在黑暗中走路并数着步数的人。如果他们走了 1,000 步，他们可能认为自己走了 1,000 米。但如果他们走得稍微有点歪，这种微小的误差就会不断累积。几分钟后，他们可能会认为自己身处另一个城市。这就是所谓的漂移（Drift）。

2. 解决方案：“智能教练”与“物理教练”

作者创建了一个由两位“教练”组成的团队来帮助汽车保持航向：

智能教练（机器学习）： 这是一个高度先进的 AI（一种“Transformer”模型），它观察汽车的传感器（车轮旋转的速度、刹车踩下的力度）并推测汽车的速度和方向。它擅长从噪声中识别模式，但有时它可能会做出一些违反物理常识的猜测，比如一辆车正在以超出物理极限的速度加速。
物理教练（卡尔曼滤波器）： 这是一个传统的数学规则手册，它了解物理定律。它知道，例如，汽车不能瞬间移动，也不能加速到超过轮胎摩擦力所允许的程度。

3. 核心秘诀：“物理正则化”训练

在过去，这两位教练是分开工作的。AI 进行预测，然后数学规则手册在稍后阶段对预测结果进行修正。

在全新的系统（PRML2）中，这两位教练在学习过程中是紧密结合在一起的。

想象 AI 是一个正在参加考试的学生。
通常情况下，老师（损失函数）只是在最后给出评分。
在这个新系统中，物理教练会在学生写卷子时坐在旁边。如果学生开始写出违反物理定律的答案（比如一辆飞行的汽车），物理教练会在学生完成答案之前，轻轻地将其拉回现实。
因为该系统是“可微的”，所以 AI 能从这些引导中学习。它不仅仅是在结束时得到一个差评，而是学会了如何在学习数据的同时，像物理学家一样思考。

4. “物理卫士”

论文还提到了一个“物理卫士”。你可以把它看作是一个安全网或限速器。即使 AI 变得异常兴奋，预测汽车正以 200 英里的时速行驶，卫士也会检查“摩擦圆”（轮胎抓地的程度）并说：“喔，在这样的冰面上这不可能。让我们把它限制在 50 英里以内。”这保证了预测结果符合现实。

5. 结果：在雪地和雨天表现更佳

研究人员在真实的汽车上测试了这个系统。

测试过程： 他们让汽车在没有 GPS 的情况下行驶了 60 秒。
对比情况： 他们将新系统与旧方法（如标准数学滤波器或其他 AI 模型）进行了对比。
最终结果： 新系统最为精准，漂移量最小。
“低摩擦”测试： 他们还在一条极其湿滑、甚至从未在训练中见过的雪地上进行了测试。尽管处于一个全新的、棘手的环境，该系统表现依然优于其他系统。这证明了通过教授 AI “物理规则”，它能够应对那些从未练习过的复杂情况。

总结

论文声称，通过将强大的 AI 与一个在训练期间指导 AI 的基于数学的“物理教练”相结合，汽车可以仅利用现有的廉价传感器来精确判断自己的位置。这使得自动驾驶更加安全且成本更低，尤其是在 GPS 失效或天气恶劣的情况下。

核心要点： 你不需要昂贵的新传感器来让汽车变得聪明；你只需要教会现有的传感器在学习的同时，去尊重物理定律。

技术摘要：用于本体感知车辆定位的物理正则化机器学习 (PRML2)

问题陈述

准确的车辆定位是自主移动的基础，通常依赖于惯性测量单元 (IMU) 数据与全球导航卫星系统 (GNSS) 信号的融合。然而，在 GNSS 信号中断期间，基于商用级 IMU 的航位推算会面临快速的漂移累积问题。虽然多传感器融合（如 LiDAR、摄像头）可以缓解这一问题，但会增加系统成本和复杂度。相反，标准车载传感器（转向轮角度、车轮转速、偏航率）具有成本效益且属于本体感知（独立于外部信号），但在使用经典贝叶斯滤波器时，由于噪声累积和模型局限性，容易产生漂移。

近期的数据驱动方法在处理传感器噪声方面展现了潜力，但往往缺乏物理一致性和跨多样化驾驶条件的泛化能力。此外，仅利用标准车载传感器（无需 IMU 或外部测量）来增强里程计的机器学习 (ML) 潜力仍是一个尚未被充分探索的领域。本文旨在解决如何在仅使用车载传感器的情况下，实现鲁棒、准确且实时的车辆定位，同时确保该方案符合车辆物理动力学特性。

方法论：PRML2 架构

作者提出了物理正则化机器学习定位 (PRML2)，这是一个将数据驱动的 ML 模型与基于物理的扩展卡尔曼滤波器 (EKF) 相结合的混合框架。其核心创新在于通过一个可微 EKF 实现 ML 模型的端到端训练，该 EKF 起到了物理信息正则化的作用。

1. 架构组件

基于 Transformer 的 ML 模型： 系统采用 Transformer 架构来处理车载传感器数据（观测窗口 $L$ $L$ ）。该模型将传感器输入映射为车辆动力学状态 ( $z_t$ $z_{t}$ )，包括速度、加速度和角速率。
- 物理防护层 (Physics Guard Layer)： 内嵌了一个领域知识层，用于将预测值限制在物理极限内（例如，基于轮胎-路面摩擦力、最大速度和角速度限制的 Kamm 圆/摩擦圆）。这防止了物理上不合理的输出。
- 不确定性量化： 模型不仅输出均值估计，还输出方差，从而允许在后续滤波器中进行自适应测量噪声协方差调整。
可微扩展卡尔曼滤波器 (Differentiable EKF)： 从 ML 模型估计的动力学状态作为运动学 EKF 的“伪测量值”。EKF 使用恒定加速度运动模型递归更新车辆位姿 ( $T_k \in SE(3)$ )。
端到端训练： 与传统的流水线不同，在 PRML2 中，EKF 是以可微方式实现的。这使得损失梯度（通过最终 EKF 位姿与地面真值的差异计算得出）可以从滤波器反向传播到 ML 模型的参数。

2. 物理正则化学习

本文认为，可微 EKF 起到了物理正则化器的作用。通过最小化最终定位误差，训练过程会在隐式层面惩罚那些违反时间一致性或物理运动模型的 ML 预测。损失函数经过分解，表明最小化总误差等同于在遵循由卡尔曼滤波器的创新矩阵和增益矩阵导出的正则化项的同时，最小化预测误差。

3. 训练策略

训练分为两个阶段：

预训练： 使用纯数据训练 ML 模型，通过负对数似然损失来估计动力学状态。
微调： 通过将定位误差反向传播至可微 EKF 来对模型进行微调，从而强制执行物理一致性。

核心贡献

PRML2 框架： 引入了一种新型混合架构，将基于 Transformer 的 ML 模型与可微 EK F相结合，用于仅依靠车载传感器（车轮转速、转向角、偏航率等）进行车辆定位，消除了对 IMU 或外部信号的需求。
物理正则化学习： 通过理论和实证验证，将可微卡尔曼滤波器集成到端到端训练中，可以作为一种基于物理的正则化器，惩罚物理和时间上的不一致性，并提高泛化能力。
低摩擦环境下的泛化性： 证明了该框架能有效泛化到具有挑战性的低摩擦（低- $\mu$ ）工况，这是安全关键型自动驾驶的一项重要能力。
新型数据集： 发布了一个在重雪和低摩擦条件下采集的新数据集，以支持在感知性能退化场景下的车辆定位研究。

实验结果

该方法在公开的 ReV-StED 数据集和作者自有的低摩擦数据集上进行了评估。

动力学状态估计： PRML2 在估计车辆动力学状态（ $v_x, \omega_z$ 等）方面显著优于五种基准模型（包括经典模型、GRU/LSTM 网络以及其他可微滤波器方法）。具体而言，与仅进行预训练的版本相比，它在纵向速度 ( $v_x$ ) 估计方面提升了 28%，在偏航率 ( $\omega_z$ ) 估计方面提升了 25%，凸显了物理正则化的有效性。
定位精度： 在 60 秒的 GNSS 中断模拟中，PRML2 实现了最低的位姿均方根误差 (RMSE) 1.5 m（相比之下，次优基准 RNN-EKF 为 2.1 m），并实现了最低的最大漂移。
泛化能力： 在未经重新训练的情况下，在未见的低摩擦（雪地）数据集上进行测试时，PRML2 保持了最高的精度（RMSE 2.5 m）和最低的标准差，展示了其相对于其他方法卓越的鲁棒性。
实时能力： 系统在 NVIDIA Orin 边缘设备上进行了评估，推理延迟为 25–32 ms，实现了约 30 Hz 的运行频率，满足车辆定位的实时性要求。

重要性与主张

本文声称 PRML2 为感知性能退化的条件下的车辆定位提供了一种鲁棒且具成本效益的解决方案。通过将学习与物理先验相结合，该框架克服了纯数据驱动方法（缺乏物理一致性）和经典滤波器（对噪声和漂移敏感）的局限性。

作者强调，其工作展示了标准车载传感器在实现高精度定位方面的巨大潜力。其核心意义在于证明了可微滤波可以有效地正则化深度学习模型，确保其遵循物理定律并在分布外场景（如冰雪路面）中具备泛化能力，而无需昂贵的额外传感器。该研究结论指出，这种方法为在 GNSS 不可用环境下实现可靠的本体感知自主驾驶提供了一条可行路径。