基于交互多模型自适应融合GNSS/INS与VIO的自动驾驶鲁棒城市峡谷定位方法

针对自动驾驶在GNSS信号频繁失效的城市峡谷环境中难以实现连续、鲁棒定位的难题，本文提出了一种基于交互多模型（IMM）的GNSS/INS与视觉-惯性里程计（VIO）可靠性自适应融合框架。该研究采用了角色分担的序贯校正结构，其中VIO专门提供相对运动信息，而GNSS/INS则作为绝对位置锚点。通过将动态协方差输出作为实时可靠性指标，并利用IMM滤波器基于测量残差计算融合权重，该系统实现了无需手动调整阈值的自适应融合。在KAIST Urban公开数据集和自定义车载数据集上的实验验证表明，与传统的基于扩展卡尔曼滤波器（EKF）的融合方法相比，该框架在不同GNSS信号被拒止的场景下，能持续提升定位精度和轨迹连续性，为复杂城市环境下的自动驾驶定位提供了可靠的解决方案。

在城市密集的建筑群中驾驶，自动驾驶汽车面临着“看不见、摸不着”的尴尬处境：虽然全球导航卫星系统（GNSS）能够提供宝贵的全球绝对位置，但高楼大厦像“峡谷”一样耸立，会阻挡、反射卫星信号，导致其频繁失效。这时，商业化的GNSS/惯性导航系统（INS）组合模块常常表现失常，要么定位点“原地冻结”，要么干脆停止输出，留下危险的定位空白。想象一下，一辆自动驾驶汽车在隧道中或高楼间穿行，突然失去了对自身“身在何处”的感知，这是何等惊险的场景。尽管视觉-惯性里程计（VIO）可以像人类眼睛和耳朵一样，通过观察周围环境特征并结合自身运动感测，在无外部信号时持续估计车辆的相对运动，避免“失明”，但它也有“内伤”——随着时间的推移，其位置估计会逐渐漂移，缺乏一个稳定的全局“锚点”来纠正。那么，如何将GNSS/INS的全局稳定性与VIO的局部连续性巧妙地结合起来，尤其是在传感器可靠性瞬息万变的真实城市环境中，实现平滑、鲁棒且连续的定位，就成为自动驾驶技术突破城市“迷宫”必须啃下的硬骨头。

为了解决这一核心挑战，本文发表于《IEEE Access》的研究，提出了一种名为“基于可靠性自适应的交互多模型融合框架”的创新方案。它不再仅仅试图改进某个单一的定位传感器，而是从“如何智慧地融合”这个更高层次入手，设计了一套精巧的决策机制，让系统能像一位经验丰富的船长，在风平浪静时信任海图（GNSS），在暴风雨中则依靠罗盘和航迹推算（VIO）来保持航向。

为了开展这项研究，作者团队采用了几个关键技术方法。首先，他们构建了一个基于交互多模型（IMM）滤波器的顶层融合架构，该框架并行运行两种车辆运动模型——恒定加速度（CA）模型和恒定转弯（CT）模型，以更好地捕捉城市驾驶中直线巡航和转弯的复杂机动模式。其次，他们设计了“角色分担的序贯校正”观测通道：VIO专门用于校正速度（v_x, v_y），而GNSS/INS专门用于校正位置（p_x, p_y），这种分工避免了不同坐标系间的直接冲突，并遵循“先校正速度，再校正位置”的物理依赖逻辑。最关键的是，他们创造性地将每个底层定位模块（GNSS/INS和VIO）输出的实时动态协方差，作为衡量其当前可靠性的“健康指标”，直接输入到IMM的卡尔曼增益计算中。这使得系统能够根据传感器的实时表现，自动、平滑地调整对它们的信任权重，而无需预设任何手动切换阈值。该研究在公开的KAIST Urban数据集和研究者使用配备商用现货传感器的车载平台在韩国国民大学校园采集的自定义数据集上进行了全面验证，确保了方法的普适性和实际部署可行性。

研究结果从多个方面验证了所提框架的有效性。在“IMM-Based Reliability-Adaptive Fusion Framework”部分，详细阐述了系统的整体架构。其核心在于观测通道的设计，该图清晰地展示了VIO和GNSS/INS的分工协作以及动态协方差作为可靠性指标的提取过程。理论分析表明，当传感器可靠性下降（协方差R_k增大）时，卡尔曼增益K_k会自然减小，从而自动降低不可靠测量对状态更新的影响，这为自适应融合提供了坚实的数学基础。在“Probabilistic Fusion with Motion Models”部分，研究利用CA和CT模型计算似然函数，并更新模型概率（μ_k^j）。最终的状态估计是所有模型条件估计的概率加权组合，这种“软”切换机制有效防止了因运动模式突变或传感器噪声导致的轨迹跳变。该图完整展示了所提IMM融合框架的运行周期。在“Experimental Validation”部分的实验结果中，所提方法在复杂的城市路线上展现出了优越性。尤其在GNSS信号被拒止的区域，传统的EKF融合方法会出现明显的轨迹中断或漂移，而所提的IMM自适应融合框架能够依靠VIO维持轨迹的连续性，并在GNSS信号恢复时迅速、平滑地重新锚定到全局坐标上，显著提升了整个轨迹的精度和连贯性。

归纳研究结论和讨论部分，本研究的核心贡献与重要意义在于以下几个方面。首先，它提出了一种创新的“角色分担融合架构”，明确了VIO和GNSS/INS在定位中的互补角色，从系统设计层面规避了异构数据融合的常见冲突。其次，它实现了“基于IMM的自适应加权”，将IMM滤波器从一个单纯的运动模型选择器，重新诠释为通过序贯校正结构进行传感器可靠性仲裁的智能决策者，实现了无阈值的软切换。第三，它开创性地将“动态协方差作为可靠性指标”，充分利用了商用传感器模块内部已估计的不确定性信息，使得融合决策基于实时、量化的可靠性度量，而非粗糙的启发式规则。最后，通过“在自定义数据集上的综合验证”，证明了该框架能够与商业现货传感器兼容，具备实际应用的潜力。总之，这项研究为解决自动驾驶在城市峡谷等挑战性环境中的连续、鲁棒定位问题提供了一条新颖且有效的技术路径。它不追求制造一个更完美的单一传感器，而是致力于打造一个更“聪明”的融合大脑，让现有的、可能并不完美的传感器组合发挥出一加一大于二的效能，这对于推动自动驾驶技术走向更复杂、更真实的运营环境具有重要的理论和实践价值。