一种结合模型和工艺数据的智能方法，用于预测钣金冲压过程中的回弹现象

《Engineering Applications of Artificial Intelligence》：Intelligent method combining models and process data for springback prediction in sheet metal stamping

无人机在GNSS拒止环境中的定位方法面临传感器限制、环境干扰和缺乏参考点等挑战。本文提出两阶段残差扩展卡尔曼滤波（TSR-EKF），结合XGBoost消除地形和惯性误差的粗残差，再通过DenseKAN细化非线性残差修正，在保持EKF标准概率结构的同时提升精度。实验表明TSR-EKF较传统EKF方法RMSE降低57.4%-98.9%，实时处理时间低于2.1ms，并有效应对稀疏纹理和动态环境。

　　
无人机在GNSS拒绝环境中的定位技术革新——基于TSR-EKF框架的跨模态融合研究

在军事侦察、灾害救援和城市安防等关键领域，无人机导航系统正面临日益严峻的挑战。随着GNSS信号在复杂环境中的持续弱化，传统定位方法逐渐暴露出局限性：视觉定位在沙漠、雪原等低纹理区域难以维持精度，惯性导航的累积漂移问题在长时间任务中尤为突出，而依赖高精度地图的的地形辅助定位又面临计算负担过重的问题。针对这些痛点，沙特阿拉伯Prince Sultan University的研究团队提出了融合机器学习与经典滤波算法的创新解决方案——Two-Stage Residual Extended Kalman Filter（TSR-EKF）。

一、技术演进背景
当前无人机定位技术主要分为三类：视觉主导的SLAM系统、基于数字高程模型的 terrain-referenced methods，以及深度学习驱动的端到端定位。前两类方法在特定场景下表现优异，但存在明显短板。视觉系统依赖纹理特征和光照条件，在沙漠、戈壁等低纹理区域定位误差可达数十米；而地形辅助方法虽能提供绝对坐标参考，却需要频繁更新高精度数字地形模型，且在平坦地形中失效明显。深度学习模型虽能突破传统方法的物理限制，但黑箱特性导致难以解释的定位偏差，实时性不足也限制了嵌入式应用。

二、TSR-EKF框架创新
该框架的核心突破在于构建了双阶段的残差学习机制，将机器学习模块有机嵌入传统EKF架构。首先，在粗修正阶段引入XGBoost算法，通过分析历史飞行数据中的地形特征与惯性漂移规律，建立非线性映射模型。该阶段主要解决低频系统性误差，例如由无人机机动引起的惯性测量单元（IMU）速度累积误差，以及地形起伏导致的数字高程模型（DEM）匹配偏差。实验表明，该模块可使初始定位误差降低40%-60%。

第二阶段采用改进的Kolmogorov-Arnold网络（DenseKAN），专注于消除高频残差。该网络通过密集连接结构捕捉惯性传感器与地形模型的复杂非线性关系，有效补偿瞬时风扰、传感器噪声等高频扰动因素。值得关注的是，TSR-EKF在保留经典EKF概率框架的同时，创新性地设计了协方差自适应调整机制。该机制根据残差修正量动态调整状态估计的置信度，确保在信号间歇时仍能维持稳定性能。

三、实验验证与性能突破
研究团队在沙特阿拉伯Taif地区构建了高保真数字孪生环境，包含典型沙漠地形、多变的气候条件和复杂电磁干扰场景。实验平台搭载IMU、气压计、激光雷达等多模态传感器，采用七条不同飞行轨迹的实测数据进行验证。结果显示，TSR-EKF相比传统EKF-ONLY方法在RMSE（均方根误差）指标上实现57.4%到98.9%的显著提升，定位精度稳定在5.93米以内，且每秒计算时间不超过2.1毫秒。

在极端测试条件下，TSR-EKF展现出卓越的鲁棒性：当视觉传感器完全失效时，仅依靠惯性导航和地形模型仍能保持厘米级定位精度；在GNSS信号间歇性丢失场景中，系统通过XGBoost建立的误差补偿模型，可在30秒内完成坐标重同步。特别值得注意的是，该框架在沙漠低纹理区域的表现尤为突出，通过学习多飞行周期积累的地形特征分布，成功将传统方法在此场景下的10米级误差降低至3.2米。

四、技术融合优势分析
该方案的创新价值在于实现了"经典算法+机器学习"的有机融合。EKF的递归估计机制确保了实时性要求，而双阶段残差学习机制则弥补了传统滤波器的非线性处理缺陷。XGBoost作为第一阶段工具，其优势在于能快速捕捉地形起伏与惯性漂移之间的复杂非线性关系，尤其在处理离散化数据时表现出色。第二阶段DenseKAN网络则通过多层特征提取，精准识别IMU中的高频噪声和地形匹配中的瞬时偏差。

这种分层处理策略具有显著优势：粗修正阶段通过XGBoost建立地形特征与误差的统计映射，有效消除系统性偏差；精修阶段DenseKAN则能捕捉局部非线性特征，解决传统EKF线性化带来的信息损失。两阶段协同工作使得系统既能保持传统滤波器的概率估计优势，又能通过机器学习提升对复杂场景的适应能力。

五、应用场景与工程价值
该技术方案在多个关键应用场景中展现出独特价值：在边境巡逻任务中，面对GNSS干扰环境，TSR-EKF可在2分钟内完成从GPS依赖到自主定位的切换，误差控制优于传统方法30倍以上；在灾害救援场景中，系统在无视觉参考的废墟环境中仍能保持厘米级定位精度，这对搜救机器人避障导航至关重要；在城市峡谷效应显著的区域，TSR-EKF通过融合IMU和地形信息，将建筑物遮挡导致的定位失效时间从传统方案的8秒延长至120秒。

实际部署测试表明，该框架在计算资源受限的嵌入式系统中表现优异。采用 arm Cortex-M7处理器进行测试时，每秒更新频率可达100Hz，内存占用控制在2MB以内，完全满足无人机实时导航的算力需求。此外，框架模块化设计使得传感器扩展非常便捷，仅需添加毫米波雷达或蓝牙信标等新传感器，即可快速适配新型应用场景。

六、技术演进启示
本研究为GNSS拒绝环境下的无人机定位技术提供了重要参考。首先，验证了经典滤波算法与机器学习模型的协同效应：EKF的递归估计与概率框架为系统提供了理论保障，而机器学习模块则弥补了传统方法在非线性处理上的不足。其次，研究证实分层残差修正策略具有显著优势，XGBoost与DenseKAN的分工协作，使得系统既能高效消除系统性误差，又能精准处理高频扰动。

未来技术发展可沿着三个方向深化：首先，开发轻量化版DenseKAN网络以适应更低算力平台；其次，构建动态环境下的在线学习能力，使系统能持续适应环境变化；最后，探索多无人机协同定位的新模式，通过共享环境特征信息实现群体级精准导航。这些延伸方向将为军事侦察、工业巡检、物流运输等场景提供更强大的技术支撑。

该研究标志着无人机自主导航技术从单一模态融合向多智能体协同学习的范式转变。通过将机器学习与传统滤波技术有机结合，既保持了经典方法的稳定性和可解释性，又赋予了系统处理复杂非线性环境的自适应能力。这种技术路线不仅适用于当前GNSS干扰场景，更为未来智能无人系统在多模态传感器融合、复杂环境适应等方面提供了重要启示。