تعتبر دقة تحديد المواقع عنصراً أساسياً في أنظمة التنقل الذاتي (Autonomous Mobility Systems) التي تعمل في البيئات الحقيقية. بينما توفر دمج بيانات وحدات القياس بالقصور الذاتي (Inertial Measurement Units - IMU) مع إشارات التصحيح المعتمدة على الأقمار الصناعية تقديرات دقيقة لموقع المركبة، إلا أن الأداء يواجه تدهوراً ملحوظاً أثناء انقطاع الإشارات.

تشير الدراسات الحديثة إلى أن تعلم الآلة (Machine Learning - ML) يمكن أن يُحسّن دقة تحديد المواقع المُعتمدة على IMU، مشيراً إلى الإمكانات غير المُستغلة للمستشعرات المتواجدة في المركبات الإنتاجية. قدمت ورقة البحث الجديد نظام "تعلم الآلة المدعوم بالفيزياء للتحديد" (Physics-Regularized Machine Learning for Localization - PRML2)، وهو إطار هجين يجمع بين نقاط القوة التكميلية لتصفية كالمان (Kalman Filtering) والتعلم المعتمد على البيانات لتقدير موقع المركبة مباشرة من المستشعرات المتوافرة.

يعد التدريب القائم على الفيزياء أحد الجوانب الرئيسية في PRML2، مما يُحسّن التوافق مع نماذج حركة المركبة، وبالتالي يعزز من دقة تحديد المواقع والقدرة على التعميم عبر مختلف ظروف القيادة. لقد تم تقييم حدود أداء تكنولوجيا ML المعززة مع قياسات القياس الذاتية المتاحة في مجموعة بيانات عامة، حيث أظهر PRML2 دقة استثنائية في تحديد المواقع وقدرة على العمل في الوقت الفعلي.

كما يقدم هذا العمل مجموعة بيانات جديدة لدعم أبحاث تحديد مواقع المركبات في ظروف الاحتكاك المنخفضة. يوفر الإطار المقترح حلاً قوياً وفعالاً من حيث التكلفة لتحديد مواقع المركبات في ظروف استشعار متدهورة من خلال دمج التعلم مع المبادئ الفيزيائية.