轮式里程计被广泛应用于车载GNSS/INS组合导航系统中，它能够有效提高组合导航系统在GNSS复杂环境下的鲁棒性和定位精度，改善系统的可用性。然而，在许多应用场合中组合导航系统无法接入轮式里程计信号，尤其是对于后装设备和智能手机。因此，我们提出了一种基于深度学习的虚拟里程计模型，能够通过分析IMU信号来为组合导航系统提供较精确的前向速度辅助。

    近年来，基于IMU数据的深度学习模型已经被广泛研究，在行人导航和车载导航应用中均有涉及。基于IMU数据的深度学习模型，一方面被用于直接的六自由度的递推导航，包括纯惯性导航、视觉惯性导航、LiDAR惯性导航等。另一方面被用于速度估计，如零速检测、零侧向和零垂向速度检测、三维速度估计等。就目前的研究而言，深度学习模型仍然很难替代基于精确数学模型的惯性导航算法。然而，可以使用基于IMU的深度学习模型进行速度估计、载体状态检测等，然后再辅助惯性导航系统，实现IMU数据的双重利用，进而提高导航定位系统在GNSS复杂环境下的鲁棒性和精度。 

    对车载组合导航而言，在合理考虑安装角和杆臂影响的情况下，非完整性约束(NHC)能够有效约束INS侧向和垂向误差的发散，但如果没有轮式里程计则会缺少有效的前向约束。因此，我们提出了一个基于深度学习的虚拟里程计模型OdoNet [Hailiang, 2022]，它利用一段IMU数据直接估计车辆的前向速度，辅助组合导航系统，起到轮式里程计的作用，如图1所示。我们工作的主要亮点包括：

1）提出了一个基于一维卷积神经网络的虚拟里程计模型(OdoNet)，用于估计车辆的前向速度，并兼容零速检测功能。虚拟里程计被集成到一个GNSS/INS组合导航系统中，以提高系统在GNSS复杂环境下的定位精度。

2）通过尽可能充分的跑车实验评估了OdoNet的泛化能力和精度。实验结果表明，IMU个体差异(同型号的多个MEMS IMU)、车辆负载以及道路情况对OdoNet的精度没有明显影响；然而，IMU零偏和IMU相对于车辆的安装角会显著影响OdoNet的精度。

3）为了有效减小IMU零偏和安装角的影响，我们在数据预处理环节使用了组合导航系统的相关状态估计对IMU数据进行补偿。实验结果表明，该措施能够显著提升OdoNet的鲁棒性和精度。 

图1：基于OdoNet的组合导航系统

     我们使用9个自主研制的MEMS组合导航模块(INS-Probe，内置GNSS接收机模块Ublox-F9P和MEMS-IMU ICM20602)同时采集了14个测试序列共126组数据，用于OdoNet的模型训练和测试，真实的轮式里程计数据被用作OdoNet模型训练标注和测试的真值。其中测试数据集包括2个IMU模块(M1和M2)的4个测试序列共8组数据，包含4个测试场景：低速(University Campus)、中速(Industrial Park)、高速(Freeway)测试场景，以及一个用于测试负载影响的场景，如图2所示。三种速度测试场景的车速估计误差，如表1所示，速度估计的RMSE大致为0.25～0.45 m/s，满足一般车辆导航定位的需求，在GNSS复杂场景下可发挥重要作用。

 图2：设备安装示意和数据集的轨迹（绿色为测试数据段；红色为训练数据段）

表1：三种测试场景的OdoNet车速估计误差(RMSE)

    

    我们通过尽可能充分的实验去评估可能影响OdoNet鲁棒性和精度的因素，包括：IMU的个体差异、IMU零偏、IMU相对于车辆的安装角、车辆负载和道路情况。导航定位测试结果表明，相比于仅使用NHC约束的模式，使用虚拟里程计后水平定位误差减小了68%，而使用真实轮式里程计的这一比例是74%，虚拟里程计表现出了接近真实里程计的作用。

表2：中速测试场景GNSS中断60s水平漂移误差统计

（百分比为相对于仅使用NHC模式的误差减少比例）

  

    总结：针对无法连接硬件轮式里程计的车载应用场景，我们提出的虚拟里程计模型OdoNet的速度估计统计误差优于0.5m/s，满足GNSS复杂环境下的导航定位需求。全面充分的实验结果表明，OdoNet能够适应多种变化条件，包括IMU个体差异、车辆负载和道路情况，对于影响较大的IMU零偏和相对于车辆的安装角，则能够使用组合导航算法在线估计的状态进行补偿，OdoNet表现出较强的泛化能力和鲁棒性。最终的组合导航结果表明，虚拟里程计表现出接近硬件轮式里程计的性能，能够显著提升GNSS复杂环境下的导航定位精度。

    这篇论文是我们团队将机器学习应用于导航系统中的一次探索，刻意选择了一个很小规模的问题，以便能够做尽量充分的实测验证，得出确切的结论。由目前的测试结果看，效果还是比较正面的。但是，该工作无论是网络结构的设计，还是实验验证的方式，都还存在一些不充分和不深入的地方，目前的模型还很难直接应用于实际产品中。我们认为，机器学习要想在导航定位中实际应用绕不开两个关键问题：

1）模型的训练如何解决实际应用中泛化能力的问题；

2）模型的设计如何解决算法复杂度与精度之间的矛盾。

    这一轮的尝试让我们意识到，数据驱动的机器学习算法对于高校团队来说还是有些奢侈的，如果后续没有来自行业的海量数据资源，算法研究难以深入。我们团队后续会继续审慎地开展机器学习用于导航定位的尝试，仍然会选择在某些传统模型效果不佳的局部问题来进行尝试，而不会考虑整体替代现有导航算法，更不会尝试“端到端”的方案。我们不支持在传统数学模型严格成立的情况下还要自废武功来搞机器学习，也不认为机器学习能够自主训练出精妙的惯导机械编排算法。

    机器智能和人类智慧的互动博弈恐怕会一直持续下去，两者的爱恨情仇会精彩上演。我们导航领域自然也被裹挟其中，被推到这个技术分水岭上，使我们这批人能够见证和参与历史，真是不枉此生呀。

Hailiang Tang, Xiaoji Niu, Tisheng Zhang, You Li, and Jingnan Liu, “OdoNet: Untethered Speed Aiding for Vehicle Navigation Without Hardware Wheeled Odometer,” IEEE Sensors Journal, pp. 1–1, 2022.  论文全文

点击上面“论文全文”可下载该论文。