在真实环境中，自主移动系统的准确和鲁棒定位至关重要。将惯性测量单元（IMU）数据与基于卫星的校正信号融合可以提供精确的车辆姿态估计，但在信号中断时性能显著下降。
最近的研究表明，机器学习（ML）可以改善基于IMU的自我感知定位，展示了生产车辆中现有传感器的潜在价值。本文提出了一种物理正则化机器学习定位框架（PRML2），该框架结合了卡尔曼滤波和数据驱动学习的互补优势，能够直接从车载传感器估计车辆姿态。
PRML2的一个关键特点是其物理正则化学习，通过可微分卡尔曼滤波器对ML模型进行端到端训练，从而提高与车辆运动模型的一致性，增强定位的准确性和在不同驾驶条件下的泛化能力。
我们在一个公开数据集上评估了增强型车载里程计的性能极限，结果表明PRML2实现了更优的定位精度，并具备实时能力。此外，本研究还引入了一个新数据集，以支持低摩擦条件下的车辆定位研究。
通过将学习与基于物理的先验相结合，所提出的框架为在信号降级条件下的车辆定位提供了一种稳健且经济高效的解决方案。
博主点评： PRML2框架的提出，将物理知识与机器学习相结合，是一种有效提升车辆定位精度的创新方法。这种融合不仅提高了模型的鲁棒性，还为低摩擦环境下的定位问题提供了解决思路，具有广泛的应用前景。
进一步的研究可以探索更多类型的传感器融合，以增强系统的适应性和准确性。