城市峡谷 GPS 鲁棒 UKF 异常抑制技术

鲁棒变分贝叶斯 UKF：城市峡谷 GPS 异常值抑制

城市峡谷中，GPS 信号受多径传播和遮挡影响，导致伪距出现异常值。经典高斯噪声融合 UKF 精度下降，而变分贝叶斯融合 UKF 将噪声建模为 Student-t 分布。尺度参数的迭代估计自动降低异常测量的权重。仿真显示，与基准 UKF 相比，定位 RMSE 降低超过 50%。

通过噪声模型替换和传感器融合提升鲁棒性

经典卡尔曼滤波假设高斯加性噪声，但实际 GPS 异常值具有重尾特性。切换到 Student-t 分布，根据残差加权测量：大误差获得低权重，避免轨迹扭曲。

权重计算公式为 $w = \frac{\nu + m}{\nu + d^2}$，其中 $\nu$ 为自由度，$m$ 为测量维度，$d^2$ 为马氏距离平方。低 $\nu$（如 2）时，异常值权重迅速下降；高 $\nu$（$\nu \to \infty$）时，趋近高斯情况。

传感器融合将 GPS 与惯性数据（IMU）结合。在变分贝叶斯（VB）方法中，各传感器协方差矩阵 $R_i$ 作为随机变量迭代估计，实现动态信任重分配。

GPS 异常时，VB-UKF 放大 $R_{GPS}$ 方差，降低其影响，转而依赖 IMU，直至信号恢复稳定。

实现中的防护措施

# 1. 将 lambda 上限设为 1，避免模型失配
if self.cap_lambda_to_1:
    lamvec = np.minimum(lamvec, 1.0)
# 2. 防止除零错误
lamvec = np.clip(lamvec, self.lambda_clip[0], self.lambda_clip[1])

这些裁剪防止权重超过 1（物理上不可能）及极端异常值导致的 NaN。

计算复杂度和权衡

经典 UKF 使用 2n+1 个 sigma 点进行非线性逼近，矩阵求逆导致 $O(n^3)$ 复杂度。VB-UKF 增加变分贝叶斯推理迭代，用高斯逼近 Student-t 后验。

变分推理最小化真实后验与逼近的 KL 散度，每步 5–10 次迭代收敛。这是理想平衡：比粒子滤波（$O(N_p n^2)$，$N_p \gg 2n$）高效，比普通 UKF 更鲁棒。

适用于嵌入式系统实时流处理，动态高达 100 Hz。

仿真设置：CTRV 轨迹

动态模型：城市峡谷中机动车辆的恒定转弯率与速度（CTRV）模型：

• 状态：$[x, y, v, \psi, \dot{\psi}]^T$
• GPS 测量：$[x_{gps}, y_{gps}]$（含异常值）
• IMU：加速度计、陀螺仪

参数：

• 标称 GPS 噪声：$\sigma_{gps} = 3$ m
• 异常值：5–10% 概率跳变至 50–100 m
• $\nu = 4$，平衡敏感度
• 仿真：1000 s，10 Hz 采样率

数据结构：带时间戳的缓冲测量，5D 状态向量。

仿真结果

轨迹与 RMSE

含转弯和异常值的轨迹上，经典 UKF 漂移 20–50 m，而 VB-UKF 误差保持在 10 m 以内。定位 RMSE：7.2 m（VB）对比 18.5 m（融合 UKF）。

VB-UKF 的 NIS（归一化创新平方）符合 $\chi^2$ 分布，验证噪声建模正确。

权重自适应

VB 机制在 $d^2 > \nu$ 时动态降低 GPS 权重：图示异常后 2–3 步降至 0.1，5 步内恢复。

瞬态响应

异常后，VB-UKF 10–20 步恢复轨迹，而基准 UKF 需 50+ 步。自适应 $R$ 平滑过渡。

关键要点

• VB-UKF 使用 Student-t 分布和迭代 $R$ 估计，将 GPS 异常 RMSE 减半。
• 无需启发式规则的动态传感器加权：GPS/IMU 优先级贝叶斯式切换。
• 计算开销：每步 5–10 次迭代，适合实时应用。
• 通过 $\nu$ 调优：2–4 激进鲁棒，>10 近似高斯。
• NIS/NEES 验证模型一致性。

— Editorial Team