在城市峡谷、隧道等密集城市环境中穿梭的自动驾驶汽车，正面临着一个棘手的“定位焦虑”：它们高度依赖的全球导航卫星系统(GNSS)信号，在高楼林立的区域会因遮挡和多路径效应变得时有时无、极不可靠。更糟糕的是，当前行业标准的GNSS与惯性导航系统(INS)融合方案，在信号质量骤降时，其内部的商业模块常常会“摆烂”——不是输出剧烈跳变的错误位置，就是干脆冻结在最后一个有效点上，停止更新。这种定位服务的突然中断，对于高速行驶的自动驾驶汽车而言，无疑是致命的风险。
与此同时，另一项技术——视觉-惯性里程计(VIO)展现了其独特的韧性。它不依赖外部信号，仅凭车载摄像头和惯性测量单元(IMU)就能推算出车辆的相对运动，在GNSS失效时能维持轨迹的连续性。然而，VIO自身也有“阿喀琉斯之踵”：它是一种航位推算系统，会随着行驶距离累积无法消除的位置漂移，并且无法提供全局绝对坐标。那么，能否将GNSS/INS的全局稳定性与VIO的局部连续性结合起来，取长补短，实现“1+1>2”的效果呢？这正是本文研究的核心挑战。现有的融合方法多采用固定权重或基于手动阈值的硬切换策略，难以应对传感器可靠性动态剧烈波动的复杂现实环境。
为了攻克这一难题，来自韩国的Yoo等人开展了一项创新研究，提出了一种基于交互多模型(IMM)滤波器的可靠性自适应融合框架。该研究摒弃了传统“非此即彼”的切换思路，设计了一套“角色共享、序贯校正”的智能融合机制，让VIO和GNSS/INS各司其职，并根据它们实时报告的“健康状态”（动态协方差）自动调整信任度，实现了平滑、自适应的传感器融合。这项成果为自动驾驶汽车在极端城市环境下的连续、精确定位提供了强有力的新方案，论文已发表在《IEEE Transactions on Artificial Intelligence》上。
为开展此项研究，作者主要采用了以下关键技术方法：首先，设计了一个基于IMM滤波器的上层融合架构，其内部并行运行恒定加速度(CA)和恒定转弯(CT)两种车辆运动模型。其次，创新性地构建了“角色共享观测通道”，指定VIO专门提供相对运动（速度）校正，而GNSS/INS专门提供绝对位置校正，避免坐标框架冲突。第三，直接从商用GNSS/INS模块（研究中使用了KAIST数据集中的MINS和自采数据中的SBG Ellipse-D）和VIO估计器（如OpenVINS）的输出中实时提取动态协方差，将其作为传感器可靠性的量化指标。第四，采用序贯校正流程，先利用VIO进行速度更新，再利用GNSS/INS进行位置更新，该过程在数学上等效于批量更新。最后，通过在公开基准数据集（KAIST Urban Dataset）和基于商用现货(COTS)传感器自采集的自定义数据集上进行实验，验证了框架的有效性与泛化能力。
IMM-Based Reliability-Adaptive Fusion Framework
本研究的核心是提出的IMM可靠性自适应融合框架。系统将商用GNSS/INS模块和VIO估计器视为黑盒，接收它们输出的状态估计及伴随的协方差。框架遵循标准IMM循环，包含交互、预测、校正和模式概率更新四个阶段。在观测通道设计中，创新性地为传感器分配了特定角色：VIO负责速度校正(vx , vy )，GNSS/INS负责位置校正(px , py )。系统从每个估计器的内部滤波器中实时提取测量噪声协方差Rk vio 和Rk gnss ，将其作为动态可靠性指标。根据卡尔曼滤波理论，当测量不确定性增大时，卡尔曼增益减小，从而自动抑制不可靠测量的影响。校正过程分两步序贯进行：先使用VIO速度测量更新状态，再使用GNSS/INS位置测量进一步更新。在概率融合部分，系统维护CA和CT两个运动模型，通过计算测量残差的似然来更新各模型的概率μk j 。最终的融合状态估计是所有模型条件估计的概率加权组合，实现了基于运动模式和理解感器可靠性的软切换。
Experimental Validation
研究通过公开数据集和自定义数据集全面验证了框架性能。在KAIST Urban Dataset的Urban38序列（11.4公里城市路线）上，将所提方法与传统的EKF-based融合方法进行对比。实验结果表明，在GNSS信号频繁中断的城区，传统EKF方法会出现明显的轨迹跳跃和中断，而所提的IMM框架能够维持轨迹的连续性和形状精度，显著减少了定位误差。此外，研究团队还在韩国国民大学(KMU)校园内，使用搭载商用现货传感器的仪器化车辆平台收集了自定义数据集。在该数据集上的测试进一步证明，即使使用普通的商业传感器，所提框架也能有效工作，展现了实际部署的可行性。通过分析轨迹对比和量化指标（如绝对轨迹误差），研究证实了该框架在多种GNSS拒止场景下，相较于基线方法在定位精度和连续性上的一致提升。
研究结论与意义
本研究成功提出并验证了一种用于城市车辆定位的、基于IMM的可靠性自适应多传感器融合框架。该框架的核心贡献在于：第一，提出了“角色共享序贯校正”架构，清晰划分了VIO和GNSS/INS的功能边界，优化了融合流程；第二，将IMM重新解读为通过角色共享序贯校正结构进行传感器可靠性仲裁的机制，而不仅是运动模型选择器；第三，创新性地将估计器输出的动态协方差作为实时可靠性指标，实现了无需手动调参的自适应加权；第四，通过在公开和自定义数据集上的广泛实验，证明了该框架的优越性和实用价值。
这项工作的重要意义在于，它针对自动驾驶在城市环境中面临的核心定位难题，提供了一种优雅且高效的解决方案。该框架是估计器无关的，能够兼容任何基于卡尔曼滤波的商用或开源导航模块，具有很强的通用性和工程应用潜力。它通过概率化的软切换避免了传统方法因硬切换导致的轨迹不连续，利用传感器自身提供的可靠性信息（协方差）实现了智能化融合，减少了对人工经验和调参的依赖。最终，该研究推动自动驾驶车辆向着在任意复杂环境下都能实现连续、可靠、精准定位的目标迈出了坚实的一步，为未来全场景自动驾驶的商业化落地奠定了重要的技术基础。
打赏
