⚡ electrical engineering

Multi-Modal Robust Fusion Navigation for RLG-INS/GNSS Integrated Systems with Adaptive Fault-Tolerant Capabilities

本文提出了一种用于 RLG-INS/GNSS 系统的多模态鲁棒融合导航框架，该框架集成了基于模糊逻辑的模式切换、用于信号中断预测的注意力增强型 LSTM，以及具有双层故障检测的自适应最大相关熵无迹卡尔曼滤波，以确保在复杂、多噪环境下的高精度和高可靠性。

原作者： Jinsong XU, Manrong Wang, Xintong Zhang, Xin Wang, Zihao Li

发布于 2026-07-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jinsong XU, Manrong Wang, Xintong Zhang, Xin Wang, Zihao Li

原始论文采用 CC BY 4.0 许可（https://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，你正在驾驶一辆超级智能的机器人汽车穿行于一座不断试图欺骗它的城市。有时，高楼大厦会遮挡天空（因此汽车无法看到它用来定位的卫星），有时，无线电信号会从墙壁上反射，从而在位置信息上撒谎，有时，汽车内部的传感器会开始缓慢漂移，就像一只每小时都会走快一秒却不被察觉的手表。

这篇论文介绍了一种为那辆机器人汽车设计的全新“大脑”，旨在同时应对所有这些诡计。它被称为**多模态鲁棒融合导航（Multi-Modal Robust Fusion Navigation）**系统。请不要把它仅仅看作一个单一的工具，而要把它看作一个由四名专家组成的团队，他们时刻在互相检查对方的工作。

四位专家

1. “智能开关”（模式切换）
通常，导航系统是非常固执的；即使环境发生了变化，它们也会死守一个方案。这个新系统则像是一位精明的交警，不断检查天气和路况。它使用一种“模糊”逻辑系统（有点像人类进行判断，而不是非黑即白的严格逻辑）来评估 GPS 信号的质量。

诡计： 如果信号完美，它会使用一种紧密的、高精度的模式。如果信号变得不稳定，它会平滑地切换到一种较宽松的模式。如果信号完全消失（比如驶入隧道），它会切换到“纯惯性导航（Pure INS）”模式（仅使用汽车内部的传感器）。
安全网： 为了防止系统因为频繁切换而产生恐慌（就像灯光闪烁一样），它使用了一种“滞后（hysteresis）”策略。这就像是一个恒温器，它会等到房间真的变冷了才会开启加热，并等到房间真的变热了才会关闭加热。这能保持汽车行驶路径的平滑。

2. “时空预测者”（带有注意力机制的 LSTM）
当汽车进入隧道失去 GPS 时，内部传感器（环形激光陀螺仪）会开始发生漂移。旧系统只会盲目猜测并祈祷。而这个系统使用了一种特殊的 AI 大脑，称为增强注意力机制的 LSTM（Attention-Enhanced LSTM）。

类比： 想象你在蒙着眼睛走路。你会记住自己的步伐。普通的步行者只是在数步数。而这个 AI 就像是一个能记住自己是如何转弯、转得有多快以及何时加速的步行者。它利用“注意力机制”来专注于最重要的时刻（比如急转弯），而不是平等对待每一秒的历史记录。
预测： 它能预测汽车在位置和速度方面“应该”处于什么状态。
限制： 系统知道，在黑暗中待得越久，预测的可信度就越低。因此，它使用了一个“时间衰减因子”。想象一下在预测周围吹起一个气球；GPS 消失的时间越长，气球就变得越大，以此告诉汽车：“我对这个猜测不再有百分之百的把握了。”这可以防止汽车过度信任一个错误的猜测。

3. “离群值过滤器”（自适应最大相关熵 UKF）
有时，GPS 信号会被“重尾噪声”袭击——本质上就是一些看起来像离群值的疯狂、异常错误（比如信号从摩天大楼反射，导致系统认为车在楼顶上）。标准滤波器会被这些疯狂的错误搞糊涂。

解决方案： 这个系统使用了一个特殊的滤波器，它就像是夜店里的保镖。如果一个数据表现正常，它就会被放行；如果它表现得行为怪异（离群值），过滤器就会缩小其重要性。
自适应： 这个“保镖”会根据它对 GPS 的信任程度来改变其严格程度。如果 GPS 很可靠，保镖会对精度要求很严；如果 GPS 很混乱，保镖会对忽略那些疯狂的数据变得极其严格。这种平衡是由第一步中的“智能开关”自动控制的。

4. “慢漂移侦探”（自适应 SPRT）
有些问题并不是突然的崩溃，而是缓慢、隐蔽的漂移（软故障）。例如，一个传感器可能每分钟缓慢地产生 0.5 米的误差。标准的检测器往往会错过这些，因为它们寻找的是巨大的、突然的跳变。

侦探： 这个系统使用了一种带有“衰减因子”的“序贯概率比检验（SPRT）”。它就像一位侦探，注意到嫌疑人每天都有一点点可疑的行为。它不会等待犯罪发生，而是累积这些微小的线索。
结果： 这使得系统能够比以前更快地捕捉到这些缓慢的漂移。

仿真实验显示了什么

作者在计算机模拟（虚拟世界）中通过三个特定场景测试了该系统：

隧道测试： 汽车在没有 GPS 的情况下进入隧道行驶了 60 秒。
- 旧方法： 汽车偏离真实路径达 28 米。
- 新方法： 汽车保持在距离真实路径 2.0 米 以内。
- 最佳情况： 在良好条件下，汽车的精度在 0.08 米 以内（不到 3 英寸）。
“撒谎信号”测试： 他们注入了疯狂的、非高斯噪声（伪造信号）。
- 标准滤波器失效了，误差跳升至 0.45 米。
- 新系统将误差控制在 0.15 米 以内，这是一个巨大的进步。
“慢漂移”测试： 他们引入了一个缓慢增长的误差。
- 旧的检测器大约需要 15 秒 才能察觉。
- 新的“侦探”仅用 5 秒 就发现了它。
- 它捕捉到了 95% 的这类缓慢故障，且极少出现误报。

该系统“不是”什么

重要的是要注意，这篇论文并没有声称：

它并未声称解决了传感器完全失效或汽车开下悬崖的问题。
它并未声称能在没有测试的情况下在每一种可能的现实环境中完美运行。作者承认，“慢漂移”和“疯狂噪声”场景是在模拟中进行的，虽然他们在现实世界中对汽车进行了短期测试，但极端的故障场景尚未在现实世界中完全诱发。
它并未使用“因子图（Factor Graph）”（另一种更复杂的数学方法）或依赖摄像头观察特征（如墙壁或树木）进行导航的“视觉系统”，因为这些已被明确排除或作为不同的方法进行比较。该系统依赖的是环形激光陀螺仪、GPS 以及 AI 预测。

总结

这篇论文表明，通过结合一个智能切换系统、一个懂得何时信任自己的预测型 AI、一个忽略疯狂数据的过滤器，以及一个能识破缓慢谎言的侦探，你可以构建出一个比现有方法更强大、更准确的导航系统。

在仿真实验中，这种团队协作的方法表现出色，即使在 GPS 失效或开始撒谎时也能让汽车保持在轨道上。作者有信心表示，这种方法显著提高了适应性和可靠性，但同时也承认，仍需更多现实世界的测试（涉及真实的传感器故障）来证明其在任何地方都能奏效。这是一个非常具有前景的进步，但目前还称不上是“魔杖”。

技术摘要：面向 RLG-INS/GNSS 集成系统的多模态鲁棒融合导航

1. 问题陈述

本文研究了在复杂动态环境下，基于环形激光陀螺（RLG）的惯性导航系统（INS）与全球导航卫星系统（GNSS）集成时面临的关键可靠性与精度挑战。具体而言，作者识别了限制当前集成导航系统的四个基本约束：

融合策略缺乏灵活性： 传统的系统通常依赖固定的融合结构（例如单模态松耦合或紧耦合），无法根据变化的 GNSS 信号质量、车辆动力学或精度需求进行自适应调整，导致在信号遮挡或多路径干扰期间精度迅速下降。
中断期间的误差发散： 在发生完全 GNSS 信号丢失（如在隧道中）的情况下，系统退化为纯 INS 模式，导致误差快速累积并发散。现有的 AI 辅助方法通常仅输出位置增量，未能提供完整的速度观测信息，也未能有效利用预测协方差进行不确定性传播。
对非高斯噪声的敏感性： 传统的卡尔曼滤波器假设噪声为高斯分布。在城市峡谷中，测量噪声往往表现出非高斯重尾特性（例如来自多路径的脉冲干扰），导致标准滤波器性能严重下降。此外，现有的鲁棒滤波器通常使用经验性的固定核带宽，缺乏动态平衡精度与鲁棒性的自适应机制。
软故障检测延迟： 由于软故障（缓慢漂移的偏差）具有隐蔽性，难以被检测。现有的检测方法，如标准的序列比例检验（SPRT）或残差卡方检验，往往依赖于经验性的遗忘因子，或者对小幅度的缓慢变化异常缺乏敏感性，导致显著的检测延迟。

2. 研究方法

所提出的解决方案是一个多模态鲁棒集成导航框架，它集成了四个协同模块：

A. 多源信息质量评估与动态模式切换

系统采用模糊综合评价框架，从三个维度评估信息质量：GNSS 信号质量（卫星数量、C/N₀、GDOP）、INS 精度（零偏稳定性、发散率）以及车辆动态状态。

机制： 隶属度函数将这些指标映射到 [0,1] 尺度。通过加权综合评价来确定四个候选模式的置信度：紧耦合、松耦合、纯 INS 以及辅助传感器集成。
稳定性： 采用滞后比较策略（设置 0.75/0.60 的高低阈值）以防止在边界处发生频繁的模式震荡。
耦合： 生成的 GNSS 置信度分数不仅是一个切换信号，还驱动着滤波器核带宽的自适应调整（见章节 C）。

B. 注意力增强型 LSTM 用于信号预测

在 GNSS 中断期间，系统使用一个缩放点积自注意力增强型 LSTM 网络来预测导航状态。

输入： 前 10 秒的陀螺角速率增量、加速度增量以及 INS 姿态信息。
架构： 该网络利用因果自注意力机制动态地对历史隐藏状态进行加权，重点关注高激发时刻（例如转弯）。
双输出： 与以往的单输出方法不同，该网络同时预测位置增量和速度增量。
不确定性传播： 时间衰减因子根据中断持续时间动态增加预测协方差矩阵 ( $\gamma_k = \gamma_0 \exp(\lambda_{decay} \Delta t)$ )。这种膨胀后的协方差被注入滤波器的测量噪声矩阵中，确保随着中断时间的增加，滤波器能适当地降低对虚拟观测值的信任。

C. 自适应最大相关熵无迹卡尔曼滤波 (MCUKF)

为了处理非高斯重尾噪声，标准 UKF 被替换为自适应 MCUKF。

准则： 它利用最大相关熵准则 (MCC) 代替最小均方误差 (MMSE)，使用高斯核来降低大误差（离群值）的权重。
自适应： 核带宽 ( $\sigma$ $σ$ ) 由来自模式切换模块的 GNSS 置信度 ( $C_{GNSS}$ $C_{GN S S}$ ) 自动调节： $\sigma_k = \sigma_{max} - (\sigma_{max} - \sigma_{min})C_{GNSS}$ $σ_{k} = σ_{ma x} - (σ_{ma x} - σ_{min}) C_{GN S S}$ 。
- 高置信度 $\rightarrow$ 小 $\sigma$ （优先考虑精度）。
- 低置信度/高噪声 $\rightarrow$ 大 $\sigma$ （优先考虑鲁棒性）。
解决方案： 通过固定点迭代算法求解非线性代价函数，并根据核函数值调整等效测量噪声协方差。

D. 自适应遗忘因子增强型 SPRT 用于故障检测

提出了一种双层故障检测架构，用于快速识别软故障。

机制： 从创新序列（innovation sequence）统计量中构建自适应遗忘因子 ( $d_k$ )。该因子量化了实际创新方差与理论协方差之间的偏差。
集成： $d_k$ 被嵌入到 SPRT 似然比递归中作为乘性权重。当检测到故障时，它会放大当前创新的贡献，从而加速测试统计量的上升。
架构： 该自适应 SPRT 与标准残差卡方检测器（用于突发故障）并行运行，形成一个“或”逻辑的双层架构。

3. 核心贡献

本文声称了四个主要贡献：

闭环管理： 一个将多源质量评估、智能模式切换与自适应滤波器参数调节（核带宽）联系在一起的框架，形成了一个协同闭环，而非级联的独立模块。
带不确定性控制的双输出预测： 一种注意力-LSTM 网络，可输出位置和速度增量，并结合时间衰减协方差膨胀机制，在数学上表征并传播信号中断期间的预测不确定性。
自适应鲁棒滤波： 一种 MCUKF，其核带宽由 GNSS 置信度动态调节，实现了在非高斯噪声下的鲁棒性与高斯条件下的估计精度之间的最佳平衡。
快速软故障检测： 一种新型 SPRT 变体，通过引入源自创新的自适应遗忘因子，实现了一种双层检测架构，与标准方法相比，显著降低了对缓慢变化软故障的检测延迟。

4. 实验结果

该方法通过涵盖 GNSS 中断、非高斯噪声和软故障注入三种场景的 50 次蒙特卡洛模拟进行了验证。

GNSS 中断性能： 在 60 秒完全信号中断期间，所提方法将水平定位误差保持在 2.0 m 以内。这相比纯 INS（误差 > 28 m）和标准 LSTM 辅助方法（误差 ~ 2.3 m）有了显著提升。注意力机制有效地聚焦于动态机动，而协方差膨胀防止了误差发散。
非高斯噪声性能： 在重尾噪声（Student's t 分布）下，自适应 MCUKF 实现了 0.15 m 的位置 RMSE，相比标准 UKF（0.45 m）提升了 66.7%，相比固定带宽 MCUKF（0.21 m）提升了 28.6%。自适应带宽成功实现了基于信号质量的精度与鲁棒性模式切换。
软故障检测： 自适应 SPRT 检测软故障（0.5 m/min 偏差增长）的延迟为 5.2 秒，比标准 SPRT（10.1 s）减少了 50%，比残差卡方检测（15.2 s）减少了 67%。检测率超过 95%，且误报率低于 5%。
综合性能： 在全轨迹模拟中，系统在 GNSS 良好区域（利用差分修正）实现了低于 0.08 m 的水平定位误差，并在中断期间将误差维持在 2.0 m 以下。消融实验证实，模式切换对整体精度的贡献最大（RMSE 降低 36%），而双输出 LSTM 使中断期间的性能比单输出变体提升了 27%。
计算效率： 在 Intel i7 处理器上，总处理时间约为 28.4 ms/次更新，证实了 1 Hz GNSS 更新下的实时可行性。

5. 意义与主张

论文断言，所提方法显著增强了复杂环境下集成导航系统的适应性、精度和可靠性。通过将模式切换、时间序列预测、鲁棒滤波和故障检测整合进一个由跨模块置信度耦合协调的统一框架中，该系统实现的性能超过了其各个独立组件的简单叠加。

作者强调，该方法为信号中断、非高斯噪声和传感器软故障等相互关联的约束提供了系统性的解决方案。他们声称，该方法特别适用于需要连续、可靠定位的高精度应用场景，而在这些场景下传统的固定结构系统往往会失效。

承认的局限性：
论文也客观地指出了若干局限性：

参数敏感性： 性能依赖于对参数（如隶属度边界、衰减系数）的精细调优，尽管敏感性分析提供了推荐范围。
计算负载： 注意力-LSTM 模块（8.5 ms）可能会给缺乏优化（如剪枝）的资源受限嵌入式平台带来挑战。
训练依赖性： LSTM 模型是在特定环境下训练的；在显著不同的领域（如海洋、越野环境）中，可能需要迁移学习。
仿真与现实： 虽然使用了真实数据进行训练和基础验证，但非高斯噪声和软故障场景是通过仿真实现的。计划后续进行带有受控故障注入的实地测试。
对比范围： 由于实现复杂度较高，本研究未包含与因子图优化（Factor Graph Optimization）和变分贝叶斯（Variational Bayesian）方法的定量对比。