一种新的自适应鲁棒框架，无需任何手动调节即可同时估计机器人位置和测量噪声统计量，即使一半的传感器读数被异常值污染。这很重要，因为真实世界中的定位系统——从仓库机器人到自动驾驶汽车——常面临杂乱环境，传感器故障或非视距（NLOS）信号会降低性能，而现有方法需要繁琐的参数调整。
目录
研究人员的成果
麦吉尔大学的研究人员开发了ARC（自适应鲁棒联合状态与协方差估计），一种统一算法，能同时从被异常值污染的传感器数据中估计机器人状态（如位置）和测量噪声协方差。该方法在单一优化循环内结合了三个组件：一种基于范数的自适应鲁棒损失函数，能根据残差分布自动调整形状；一种迭代重加权最小二乘（IRLS）更新用于状态估计；以及一种最小加权协方差行列式（MWCD）估计器，用于恢复真实的内点测量协方差。
关键创新在于ARC无需任何手动调节。现有的鲁棒估计器迫使使用者猜测固定的损失形状参数，或使用独立的异常值检测步骤。ARC在每一次块坐标下降（BCD）循环中同时调整损失形状和协方差估计，使其在不同异常值水平和环境下具备自调节能力。该框架在仿真数据和真实世界超宽带（UWB）定位实验中得到了验证，实验环境是杂乱室内场景，存在严重的NLOS污染。
关键结果
在异常值比例从0%到50%的仿真实验中，ARC始终优于所有固定损失基线。即使在50%异常值下，自适应性方法的均方根误差（RMSE）仍保持在0.15米以下，而最佳固定损失基线（Huber）在同污染水平下退化至超过0.3米。表现最差的基线——标准最小二乘估计器——的RMSE超过1.0米。
协方差估计的准确性更为显著。在所有异常值比例下，ARC恢复的真实内点协方差（一个2×2矩阵，表示测距方差）与真实值的偏差在10%以内。固定损失方法产生的协方差估计误差高达2至5倍。MWCD估计器相对于传统MCD（最小协方差行列式）的关键优势得到验证：MCD的二元包含规则即使残差部分被污染，仍会使协方差估计产生偏差，而MWCD的连续加权则恢复了真实噪声水平。
在真实世界的UWB实验中，环境为杂乱办公楼，内有金属柜、混凝土墙和移动人员，结果确认了仿真趋势。ARC无需参数调节即实现了0.21米的中位定位误差，而需要手动增益选择的基线方法的误差为0.34–0.52米。
工作原理
ARC作为一个块坐标下降算法运行，循环执行三个更新步骤直至收敛：
- 状态更新（IRLS）：给定当前协方差估计和损失形状参数，算法求解一个加权最小二乘问题。每个测量值根据其残差大小被赋予权重，权重取决于自适应损失形状。
- 协方差更新（MWCD）：利用当前状态估计，算法计算残差，并基于范数感知的鲁棒损失为每个测量值分配连续权重。然后计算这些残差的加权协方差，从而有效降低异常值的权重。这与使用硬0/1包含规则的经典MCD不同。
- 损失形状自适应：鲁棒损失的形状参数根据归一化残差的经验分布进行更新。算法在一个小的候选形状值集合上进行无梯度搜索，选择经过单次IRLS步骤后使最终代价最小的形状值。
该循环重复进行，直至状态估计稳定。由于损失形状和协方差在同一个循环中与状态一起更新，系统会自动适应实际的异常值污染水平——无论是5%还是50%。
| 方法 | 30%异常值时的RMSE（米） | 30%异常值时的协方差误差（Frobenius范数） |
|---|---|---|
| 最小二乘 | 0.61 | 0.95 |
| Huber（固定） | 0.27 | 0.34 |
| Cauchy（固定） | 0.29 | 0.41 |
| Geman-McClure（固定） | 0.28 | 0.38 |
| ARC（本文提出） | 0.13 | 0.08 |
论文中的仿真结果。协方差误差以估计协方差矩阵与真实协方差矩阵之差的Frobenius范数度量。
对机器人学的意义
对于任何依赖传感器测量进行定位的机器人——从仓库中的自动导引车到城市峡谷中飞行的无人机——异常值是不可避免的。射频干扰、行人穿过视线或反射表面都可能污染大量测量值。传统方法要么忽略可能性（最小二乘），要么要求工程师为每个部署环境手动调节鲁棒损失参数。
ARC完全消除了调节步骤。配备UWB锚点的仓库机器人，即使一半的UWB数据包被障碍物阻挡，也能准确定位，无需特定地点的校准。对于必须在金属货架和移动工人周围可靠运行的仓库机器人，这意味着更少的停机时间，且无需机器人工程师为每个新设施调整参数。
同一框架可推广到UWB以外的任何传感器融合问题——结合里程计、GPS、LiDAR或相机——其中测量噪声统计量未知且存在异常值。这可以简化整合多种传感模态的二手工业机器人的设置，或提高需要在杂乱环境中保持稳定的人形机器人的可靠性。
局限性与开放问题
ARC假设测量模型为线性或可通过外部先验进行线性化，这限制了其直接应用于高度非线性问题（除非使用扩展卡尔曼滤波器包装）。BCD过程不能保证收敛到全局最优；在极端异常值场景（>60%）下，作者观察到偶尔发散，但性能仍优于基线。
损失形状自适应目前在一个有限的离散候选集上进行搜索。对形状参数进行连续优化可能进一步提升性能，但会增加计算开销。此外，ARC不建模时变噪声统计——如果传感器误差在单个定位窗口内急剧变化，协方差估计可能滞后。实时嵌入式实现尚未进行基准测试；当前的MATLAB实现可能无法在资源受限的机器人上高速运行。
常见问题解答
ARC适用于哪些传感器？ ARC在UWB测距测量上进行了验证，但该框架适用于任何可建模为加性测量噪声的传感器，如LiDAR、GPS伪距或声纳。唯一要求是状态估计问题可转化为迭代重加权最小二乘形式。
ARC是否需要训练数据或先验校准？ 不需要。算法从数据本身在线调整参数。无需手动调节、训练阶段，也无需预先知道传感器噪声协方差。
ARC能处理多少异常值才不会崩溃？ 论文显示在50%异常值以内可可靠运行。超过该比例，MWCD估计器的崩溃点约为50%——如果超过一半的测量值是异常值，估计器无法保证恢复内点协方差。
与标准卡尔曼滤波相比，ARC计算量是否很大？ ARC需要迭代IRLS和MWCD步骤，因此比单次卡尔曼滤波更新慢。作者报告在典型UWB场景中5–10次迭代内收敛，适合低速率传感器（如1–10 Hz），但对于高速率IMU数据可能过慢。
结论
ARC为传感器融合中最令人头疼的问题之一——在噪声水平未知时处理异常值——提供了一种自调节解决方案。通过在同一优化循环中联合调整鲁棒损失形状和测量协方差，它无需任何手动参数选择即实现了最先进的定位精度。这使即插即用的可靠定位向实际部署迈进了一步。
完全连续的损失形状自适应能否超越本文使用的离散搜索，还是会引入新的稳定性问题？