insNet/README.md

惯性导航初始对准 - 智能神经网络与 KalmanNet 技术文献综述

整理时间: 2026-03-09
整理者: 小云 ☁️
搜索来源: arXiv 开放预印本库

---

📋 概述

本综述聚焦于利用智能神经网络和KalmanNet等新技术解决惯性导航系统 (INS) 初始对准问题的最新研究进展。初始对准是惯性导航系统启动前的关键步骤，直接影响后续导航精度。

---

🔑 核心概念

初始对准 (Initial Alignment)

• 目的: 在 INS 运行前准确确定系统的初始姿态和航向
• 传统方法: 陀螺罗盘 (Gyrocompassing)、解析对准
• 挑战: 需要精确建模、对噪声敏感、收敛时间长

KalmanNet

• 提出者: Yonina C. Eldar, Nir Shlezinger, Guy Revach 等
• 核心思想: 用深度学习增强传统卡尔曼滤波
• 优势: 无需精确噪声模型、适应非线性、数据驱动学习

---

📚 关键文献汇总

一、惯性导航初始对准 + 深度学习

1. Towards Learning-Based Gyrocompassing ⭐

• 作者: Daniel Engelsman, Itzik Klein
• 时间: 2023 年 12 月
• 期刊: Engineering Applications of Artificial Intelligence (2026)
• 链接: https://www.sciencedirect.com/science/article/pii/S0952197625028738
• 摘要: 提出基于学习的陀螺罗盘方法，用于惯性导航系统初始对准。传统陀螺罗盘需要精确的噪声模型和线性假设，该方法利用神经网络学习对准过程，在复杂环境下表现更好。

---

二、KalmanNet 与深度学习增强滤波

2. Recursive KalmanNet: Deep Learning-Augmented Kalman Filtering for State Estimation

• 作者: Hassan Mortada, Cyril Falcon, Yanis Kahil, et al.
• 时间: 2025 年 6 月
• arXiv: 2025
• 核心贡献:
  • 提出递归 KalmanNet 架构
  • 提供一致的不确定性量化
  • 适用于非线性、非高斯噪声场景

3. Bayesian KalmanNet: Quantifying Uncertainty in Deep Learning Augmented Kalman Filter

• 作者: Yehonatan Dahan, Guy Revach, Jindrich Dunik, Nir Shlezinger
• 时间: 2023 年 9 月 (2025 年 6 月更新)
• 核心贡献:
  • 贝叶斯框架下的 KalmanNet
  • 提供不确定性量化
  • 适用于跟踪算法

4. GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering

• 作者: Itay Buchnik, Guy Sagi, Nimrod Leinwand, et al.
• 时间: 2023 年 11 月
• 应用领域:
  • 电网信号跟踪
  • 交通系统
  • 高维不规则域信号处理

5. Performance Evaluation of Deep Learning-Based State Estimation: A Comparative Study of KalmanNet

• 作者: Arian Mehrfard, Bharanidhar Duraisamy, Stefan Haag, Florian Geiss
• 时间: 2024 年 11 月
• 内容: KalmanNet 性能评估与对比研究
• 应用领域: 雷达跟踪系统、驾驶员辅助系统

---

三、深度学习 + 惯性导航融合

6. Transformer-Based Robust Underwater Inertial Navigation

• 作者: Zeev Yampolsky, Nadav Cohen, Itzik Klein
• 时间: 2025 年 4 月
• 应用: 水下自主航行器 (AUV)
• 技术: Transformer 网络处理 DVL 中断期间的惯性导航

7. Enhancing Underwater Navigation through Cross-Correlation-Aware Deep INS/DVL Fusion

• 作者: Nadav Cohen, Itzik Klein
• 时间: 2025 年 3 月
• 技术: 深度学习增强的 INS/DVL 融合

8. DeepUKF-VIN: Adaptively-tuned Deep Unscented Kalman Filter for 3D Visual-Inertial Navigation

• 作者: Khashayar Ghanizadegan, Hashim A. Hashim
• 时间: 2025 年 2 月
• 技术:
  • 深度无迹卡尔曼滤波 (Deep UKF)
  • IMU-视觉网络
  • 6-DoF 姿态估计

9. A Hybrid Model and Learning-Based Adaptive Navigation Filter

• 作者: Barak Or, Itzik Klein
• 时间: 2022 年 7 月
• 技术: 混合模型 + 学习的自适应导航滤波器
• 应用: 无人机、陆地车辆、船舶

10. SmartFPS: Neural Network based Wireless-inertial fusion positioning system

• 作者: Luchi Hua, Jun Yang
• 时间: 2022 年 9 月
• 技术: 神经网络无线 - 惯性融合定位

---

四、相关状态估计技术

11. InEKFormer: A Hybrid State Estimator for Humanoid Robots

• 作者: Lasse Hohmeyer, Mihaela Popescu, et al.
• 时间: 2025 年 11 月
• 技术: 混合状态估计器，结合卡尔曼滤波与机器学习
• 应用: 人形机器人浮基状态估计

12. Filtering Jump Markov Systems with Partially Known Dynamics: A Model-Based Deep Learning Approach

• 作者: 未详
• 时间: 2025 年 11 月
• 技术: JMFNet - 跳跃马尔可夫滤波网络

13. State Estimation with 1-Bit Observations and Imperfect Models: Bussgang Meets Kalman in Neural Networks

• 作者: Chaehyun Jung, TaeJun Ha, et al.
• 时间: 2025 年 7 月
• 技术: 1 比特观测下的混合状态估计

14. DANSE: Data-driven Non-linear State Estimation of Model-free Process

• 作者: Anubhab Ghosh, Antoine Honoré, Saikat Chatterjee
• 时间: 2023 年 6 月 (2025 年 9 月更新)
• 技术: 无模型过程的数据驱动非线性状态估计

---

五、GNN 图神经网络架构 + 惯性导航 ⭐ 新增

15. MetaGraphLoc: A Graph-based Meta-learning Scheme for Indoor Localization via Sensor Fusion

• 作者: Yaya Etiabi, Eslam Eldeeb, Mohammad Shehab, et al.
• 时间: 2024 年 11 月
• arXiv: 2024
• 核心技术:
  • 图神经网络 (GNN) + 元学习 (Meta-learning)
  • 多传感器融合 (IMU + 无线信号)
  • 室内定位场景
• 关键贡献:
  • 利用图结构建模传感器关系
  • 元学习适应不同无线信号环境
  • 解决数据稀缺和环境变化问题
• 与初始对准的关联: GNN 可学习 IMU 与其他传感器的时空关系，为多传感器初始对准提供新思路

16. Tensegrity Robot Endcap-Ground Contact Estimation with Symmetry-aware Heterogeneous Graph Neural Network

• 作者: Wenzhe Tong, Yicheng Jiang, Chi Zhang, et al.
• 时间: 2026 年 3 月 (最新!)
• arXiv: 2026
• 核心技术:
  • 异构图神经网络 (Heterogeneous GNN)
  • 对称性感知架构
  • 张力整体机器人接触状态估计
• 关键贡献:
  • 处理不规则传感器布局
  • 对称性约束提升估计精度
  • 实时接触状态检测
• 与初始对准的关联: 异构图结构可建模 IMU 阵列的空间分布，对称性约束可用于初始姿态估计

17. BEV-LIO(LC): BEV Image Assisted LiDAR-Inertial Odometry with Loop Closure

• 作者: Haoxin Cai, Shenghai Yuan, Xinyi Li, et al.
• 时间: 2025 年 2 月
• 核心技术:
  • 鸟瞰图 (BEV) 表示
  • LiDAR-惯性里程计
  • 轻量级 CNN 特征提取
• 关键贡献:
  • 点云投影到 BEV 图像
  • 高效特征匹配
  • 回环检测提升长期精度
• 与初始对准的关联: BEV 表示提供全局参考框架，可辅助快速初始对准

18. TLIO: Tight Learned Inertial Odometry

• 作者: Wenxin Liu, David Caruso, Eddy Ilg, et al.
• 时间: 2020 年 7 月
• 核心技术:
  • 紧耦合扩展卡尔曼滤波
  • 深度学习惯性里程计
  • 端到端姿态估计
• 关键贡献:
  • 早期深度学习 + EKF 融合工作
  • 纯惯性轨迹估计
  • 开源实现
• 与初始对准的关联: 紧耦合框架可扩展到初始对准阶段，利用学习特征加速收敛

19. GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering (扩展说明)

• 作者: Itay Buchnik, Guy Sagi, Nimrod Leinwand, et al.
• 时间: 2023 年 11 月
• GNN 关联:
  • 图信号处理 (GSP) + KalmanNet
  • 不规则域上的状态估计
  • 高维图结构数据跟踪
• 潜在应用:
  • 分布式 IMU 网络
  • 传感器阵列初始对准
  • 多平台协同导航

---

📊 技术对比

方法	优势	局限	适用场景
传统卡尔曼滤波	理论成熟、计算高效	需要精确噪声模型、线性假设	理想环境
扩展卡尔曼滤波 (EKF)	可处理非线性	线性化误差、需要雅可比矩阵	轻度非线性
无迹卡尔曼滤波 (UKF)	无需雅可比、精度更高	计算量较大	强非线性
KalmanNet	数据驱动、无需噪声模型、适应性强	需要训练数据、黑箱特性	复杂/未知环境
Transformer/深度学习	强大特征提取、长程依赖	计算资源需求高、需要大量数据	复杂场景、有充足数据
GNN 图神经网络 ⭐	建模空间关系、处理不规则结构、多传感器融合	图结构定义复杂、训练成本高	传感器阵列、分布式系统、多平台协同

---

🔬 关键技术趋势

1. 混合建模 (Hybrid Modeling)

• 结合物理模型与数据驱动方法
• 保留可解释性的同时提升性能

2. 不确定性量化 (Uncertainty Quantification)

• Bayesian KalmanNet 提供置信度估计
• 对于安全关键应用至关重要

3. 端到端学习 (End-to-End Learning)

• 从原始传感器数据直接输出导航解
• 减少手工特征工程

4. 跨域融合 (Cross-Domain Fusion)

• INS + GNSS + 视觉 + 激光雷达
• 多传感器互补提升鲁棒性

5. 自适应调参 (Adaptive Tuning)

• DeepUKF-VIN 等实现滤波器参数在线学习
• 适应动态环境变化

6. 图神经网络架构 (GNN Architecture) ⭐ 新增

• 空间关系建模: GNN 天然适合建模 IMU 阵列、分布式传感器的空间拓扑
• 不规则结构处理: 异构图网络处理非均匀传感器布局
• 多传感器融合: 图结构统一表示 IMU、GNSS、视觉等异构传感器
• 元学习增强: MetaGraphLoc 结合元学习适应环境变化
• 对称性约束: 对称性感知 GNN 提升姿态估计精度 (2026 最新)
• 潜在应用:
  • 分布式 IMU 网络初始对准
  • 多平台协同导航
  • 传感器阵列自校准
  • 动态拓扑适应

---

🎯 惯性导航初始对准的具体应用

挑战

1. 静态对准: 需要精确的重力和地球自转测量
2. 动态对准: 载体运动干扰对准过程
3. 大失准角: 传统方法收敛慢或不收敛
4. 恶劣环境: 振动、温度变化影响传感器

神经网络解决方案

1. 学习噪声特性: 无需精确建模传感器噪声
2. 大失准角处理: 非线性映射能力强
3. 快速收敛: 训练后的网络推理速度快
4. 鲁棒性: 对环境变化适应性强

---

📖 推荐阅读顺序

入门:

1. Performance Evaluation of Deep Learning-Based State Estimation (2024) - KalmanNet 综述对比
2. A Hybrid Model and Learning-Based Adaptive Navigation Filter (2022) - 混合方法入门

进阶:

1. Towards Learning-Based Gyrocompassing (2023) - 初始对准专用
2. Bayesian KalmanNet (2023/2025) - 不确定性量化
3. Recursive KalmanNet (2025) - 最新架构

应用:

1. Transformer-Based Robust Underwater Inertial Navigation (2025) - 水下应用
2. DeepUKF-VIN (2025) - 视觉 - 惯性融合

GNN 方向 ⭐:

1. MetaGraphLoc (2024) - 图神经网络 + 元学习室内定位
2. Tensegrity Robot GNN (2026) - 异构图网络 + 对称性感知 (最新!)
3. GSP-KalmanNet (2023) - 图信号处理 + KalmanNet 融合

---

🔗 资源链接

arXiv 搜索

• KalmanNet: https://arxiv.org/search/?query=KalmanNet+deep+learning+filter
• 惯性导航 + 深度学习: https://arxiv.org/search/?query=deep+learning+Kalman+filter+inertial
• 初始对准: https://arxiv.org/search/?query=initial+alignment+inertial+deep+learning

关键研究者

• Yonina C. Eldar (Technion) - KalmanNet 联合创始人
• Nir Shlezinger (Ben-Gurion University) - 深度学习滤波
• Itzik Klein (Haifa University) - 惯性导航 + 机器学习
• Guy Revach - KalmanNet 核心贡献者

---

📝 总结

利用智能神经网络和 KalmanNet 解决惯性导航初始对准问题是当前研究热点。主要优势包括:

✅ 无需精确噪声模型 - 数据驱动学习
✅ 适应非线性 - 处理大失准角
✅ 快速收敛 - 推理速度快
✅ 鲁棒性强 - 环境适应能力好

挑战: ⚠️ 需要训练数据
⚠️ 可解释性较差
⚠️ 泛化能力需验证

---

本综述基于 arXiv 开放资源整理，如需引用请查阅原始论文。
最后更新：2026-03-09

---

🔗 GNN 方向补充资源

arXiv 搜索链接

• GNN + 惯性导航: https://arxiv.org/search/?query=graph+neural+network+inertial+navigation
• GNN + 状态估计: https://arxiv.org/search/?query=graph+neural+network+Kalman+filter+state+estimation
• GNN + 传感器融合: https://arxiv.org/search/?query=graph+neural+network+sensor+fusion+IMU

GNN 方向关键研究者

• Mohamed-Slim Alouini (KAUST) - MetaGraphLoc 图神经网络定位
• Xiaonan Huang - 张力整体机器人 GNN 状态估计
• Jakob Engel - TLIO 学习惯性里程计

---

📝 GNN 技术总结

GNN 在惯性导航初始对准中的潜在优势:

✅ 空间拓扑建模 - 天然适合 IMU 阵列和分布式传感器
✅ 不规则结构处理 - 异构图处理非均匀布局
✅ 多传感器统一表示 - 图结构融合 IMU、GNSS、视觉
✅ 元学习适应 - 快速适应新环境
✅ 对称性约束 - 提升姿态估计精度

当前局限: ⚠️ 直接针对初始对准的 GNN 研究较少
⚠️ 图结构定义需要领域知识
⚠️ 训练成本和复杂度较高

未来方向: 🔮 分布式 IMU 网络协同初始对准
🔮 多平台编队导航自校准
🔮 动态拓扑自适应对准
🔮 GNN + KalmanNet 混合架构