Визуально-инерциальная навигация БПЛА с адаптивной оценкой неопределённости нейросетевой локализации на основе эвиденциального обучения

Рассматривается задача визуально-инерциальной навигации беспилотных летательных аппаратов в условиях недоступности сигналов глобальных навигационных спутниковых систем. Предложен подход к адаптивному формированию ковариации измерений нейросетевого модуля абсолютной визуальной локализации на основе ЭГО – эвиденциального глубокого обучения (Evidential Deep Learning, EDL) с параметризацией нормально-обратным гамма-распределением. Введено понятие степени объяснимой наблюдаемости как контекстно-зависимой количественной характеристики информативности абсолютных измерений. Доказана теорема о вырождении наблюдаемости при стандартной ковариации процесса и предложена её модификация, обеспечивающая ненулевой коэффициент усиления Калмана между обновлениями. Проведено систематическое экспериментальное исследование, включающее 4 формулировки адаптивной ковариации измерений, 2 режима ковариации процесса и алгоритм автоматического переключения стратегий на двух синтетических и одном полётном наборе данных. Эвиденциальная ковариация превосходит эвристику на всех трёх наборах; величина выигрыша монотонно возрастает с информативностью сцены: снижение средней траекторной ошибки на 7–46% относительно эвристики. На наиболее информативном наборе достигается снижение на 46% и увеличение доли точных кадров с 27% до 66%. Модифицированная ковариация процесса повышает коэффициент усиления Калмана в конфигурациях, где между абсолютными обновлениями накапливается дрейф. Анализ границ применимости показывает, что величина выигрыша определяется корреляцией предсказанной моделью ЭГО ошибки с фактической что задаёт количественный критерий применимости метода.

1. Arafat M.Y., Alam M.M., Moh S. Vision-based navigation techniques for unmanned aerial vehicles: review and challenges. Drones, 2023, vol. 7, no. 2, article 89, pp. 1-33. DOI: 10.3390/drones7020089.

2. Couturier A., Akhloufi M.A. A review on absolute visual localization for UAV. Robotics and Autonomous Systems, 2021, vol. 135, article 103666, pp. 1-28. DOI: 10.1016/j.robot.2020.103666.

3. Mourikis A.I., Roumeliotis S.I. A multi-state constraint Kalman filter for vision-aided inertial navigation. In Proc. of the IEEE International Conference on Robotics and Automation (ICRA), 2007, pp. 3565-3572. DOI: 10.1109/ROBOT.2007.364024.

4. Potje G., Cadar F., Araujo A., Martins R., Nascimento E.R. XFeat: accelerated features for lightweight image matching. In Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024, pp. 2682-2691. DOI: 10.1109/CVPR52733.2024.00259.

5. Lindenberger P., Sarlin P.-E., Pollefeys M. LightGlue: local feature matching at light speed. In Proc. of the IEEE/CVF International Conference on Computer Vision (ICCV), 2023, pp. 17627-17638. DOI: 10.1109/ICCV51070.2023.01616.

6. Geneva P., Eckenhoff K., Lee W., Yang Y., Huang G. OpenVINS: a research platform for visual-inertial estimation. In Proc. of the IEEE International Conference on Robotics and Automation (ICRA), 2020, pp. 4666-4672. DOI: 10.1109/ICRA40945.2020.9196524.

7. Qiu Y., Chen Y., Zhang Z., Wang W., Scherer S. MAC-VO: metrics-aware covariance for learning-based stereo visual odometry. In Proc. of the IEEE International Conference on Robotics and Automation (ICRA), 2025, pp. 3803-3814. DOI: 10.1109/ICRA55743.2025.11128482.

8. Blundell C., Cornebise J., Kavukcuoglu K., Wierstra D. Weight uncertainty in neural networks. In Proc. of the 32nd International Conference on Machine Learning (ICML), 2015, pp. 1613-1622.

9. Gal Y., Ghahramani Z. Dropout as a Bayesian approximation: representing model uncertainty in deep learning. In Proc. of the 33rd International Conference on Machine Learning (ICML), 2016, pp.1050 1059.

10. Levy A., Klein I. Adaptive neural unscented Kalman filter. IEEE Transactions on Intelligent Vehicles, 2026, vol. 11, no. 3, pp. 428-437. DOI: 10.1109/TIV.2026.3657014.

11. Versano G., Klein I. A hybrid neural-assisted unscented Kalman filter for unmanned ground vehicle navigation. arXiv preprint arXiv:2603.11649, 2026. Available at: https://arxiv.org/abs/2603.11649, accessed 24.05.2026.

12. Amini A., Schwarting W., Soleimany A., Rus D. Deep evidential regression. Advances in Neural Information Processing Systems (NeurIPS), 2020, vol. 33, pp. 14927-14937.

13. Han J., Beyer L.L., Cavalheiro G.V., Karaman S. SCREP: Scene Coordinate Regression and Evidential Learning-based Perception-Aware Trajectory Generation. arXiv preprint arXiv:2507.07467, 2025. Available at: https://arxiv.org/abs/2507.07467 (accessed 24.05.2026).

14. Qin T., Li P., Shen S. VINS-Mono: a robust and versatile monocular visual-inertial state estimator. IEEE Transactions on Robotics, 2018, vol. 34, no. 4, pp. 1004-1020. DOI: 10.1109/TRO.2018.2853729.

15. Leutenegger S., Lynen S., Bosse M., Siegwart R., Furgale P. Keyframe-based visual-inertial odometry using nonlinear optimization. The International Journal of Robotics Research, 2015, vol. 34, no. 3, pp. 314-334. DOI: 10.1177/0278364914554813.

16. Bloesch M., Burri M., Omari S., Hutter M., Siegwart R. Iterated extended Kalman filter based visual-inertial odometry using direct photometric feedback. The International Journal of Robotics Research, 2017, vol. 36, no. 10, pp. 1053-1072. DOI: 10.1177/0278364917728574.

17. Sarlin P.-E., DeTone D., Malisiewicz T., Rabinovich A. SuperGlue: learning feature matching with graph neural networks. In Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 4938-4947. DOI: 10.1109/CVPR42600.2020.00499.

18. Shi J., Cheng J., Li Q., Lu X., Zhang C., Li L. Towards GNSS-Free UAV Localization via XFeatLightGlue and Semantic Embedding. In Proc. of the IEEE 6th International Conference on Big Data & Artificial Intelligence & Software Engineering (ICBASE), 2025, pp. 192-197. DOI: 10.1109/ICBASE66587.2025.11181328.

19. Akhoury S. Real-time localization of planar targets on power-constrained platforms. M.Sc. Thesis, University of Ottawa, 2017, 153 p. Available at: https://www.site.uottawa.ca/~laganier/publications/thesis/Sharat_Akhoury_Thesis.pdf, accessed 24.05.2026.

20. Mohamed A.H., Schwarz K.P. Adaptive Kalman filtering for INS/GPS. Journal of Geodesy, 1999, vol. 73, no. 4, pp. 193-203. DOI: 10.1007/s001900050236.

21. Dahan Y., Revach G., Dunik J., Shlezinger N. Bayesian KalmanNet: quantifying uncertainty in deep learning augmented Kalman filter. IEEE Transactions on Signal Processing, 2025, vol. 73, pp. 2558-2572. DOI: 10.1109/TSP.2025.3581703.

22. Wu W., Zhang C., Woodland P.C. Estimating the uncertainty in emotion attributes using deep evidential regression. In Proc. of the 61st Annual Meeting of the Association for Computational Linguistics (ACL), Volume 1: Long Papers, 2023, pp. 15681-15695. DOI: 10.18653/v1/2023.acl-long.873.

23. Chinta A., Tran L.V., Katukuri J. ProbFM: Probabilistic Time Series Foundation Model with Uncertainty Decomposition. arXiv preprint arXiv:2601.10591, 2026. Available at: https://arxiv.org/abs/2601.10591, accessed 24.05.2026.

24. Ben Ayed S., Sadeghian Broujeny R., Hamza R. Remaining useful life prediction with uncertainty quantification using evidential deep learning. Journal of Artificial Intelligence and Soft Computing Research, 2025, vol. 15, no. 1, pp. 37-55. DOI: 10.2478/jaiscr-2025-0003.

25. Pasqualetto Cassinis L., Park T.H., Stacey N., D'Amico S., Menicucci A., Gill E., Ahrns I., Sanchez-Gestido M. Leveraging neural network uncertainty in adaptive unscented Kalman filter for spacecraft pose estimation. Advances in Space Research, 2023, vol. 71, no. 12, pp. 5061-5082. DOI: 10.1016/j.asr.2023.02.021.

26. Bar-Shalom Y., Li X.R., Kirubarajan T. Estimation with Applications to Tracking and Navigation: Theory, Algorithms and Software. New York, John Wiley & Sons, 2001, 584 p. DOI: 10.1002/0471221279.ch11.

27. Li M., Zhang Y. Deep learning-assisted ES-EKF for surface AUV navigation with photometric feedback. Journal of Marine Science and Engineering, 2025, vol. 13, no. 11, article 2035. DOI: 10.3390/jmse13112035.

28. Sola J. Quaternion kinematics for the error-state Kalman filter. arXiv preprint arXiv:1711.02508, 2017, 93 p. Available at: https://arxiv.org/abs/1711.02508, accessed 24.05.2026.