论文

通过记忆增强卡尔曼滤波减轻连续导航中的误差累积

Mitigating Error Accumulation in Continuous Navigation via Memory-Augmented Kalman Filtering

智能体系统Agent 环境交互

摘要

复杂环境中的连续导航对于无人机 (UAV) 至关重要。然而,现有的视觉语言导航(VLN)模型遵循航位推算,迭代更新其位置以进行下一个航路点预测,并随后构建完整的轨迹。那么,这种逐步的方式将不可避免地导致位置误差随着时间的推移而累积,导致内部信念与客观坐标之间的错位,这被称为“状态漂移”,并最终损害完整的轨迹预测。受到经典控制理论的启发,我们建议通过将这种顺序预测表述为递归贝叶斯状态估计问题来纠正错误。在本文中,我们设计了 NeuroKalman,这是一种新颖的框架,它将导航解耦为两个互补的过程:基于运动动力学的先验预测和来自历史观察的似然校正。我们首先在数学上将测量可能性的核密度估计与基于注意力的检索机制相关联,然后允许系统使用检索到的历史锚点来纠正潜在表示,而无需梯度更新。 TravelUAV 基准的综合实验表明,仅使用 10% 的训练数据 微调,我们的方法就明显优于强基线并调节漂移累积。