摘要
准确的工区几何感知对智能交通系统至关重要，而超宽带（UWB）感知提供了一种低成本的基础设施辅助重建方法。然而，户外UWB测距常常受到非视距传播、突发噪声和长尾误差的影响，这可能导致下游空间重建的失真。
我们提出了GAIA，一个几何感知、基础设施锚定的学习框架，结合了时间范围建模、潜在锚布局估计和确定性距离投影。GAIA将范围去噪作为监督任务，同时将学习到的距离朝向边界一致的重建方向进行调整。
我们在一个真实的户外UWB数据集上评估了GAIA，该数据集包含同步的UWB、GNSS和IMU测量，并进一步使用真实数据校准的压力测试模拟器测试其鲁棒性。GAIA在评估的基于过滤和基于学习的基线中实现了最低的整体范围均方误差（MSE）和最高的多边形交并比（IoU），MSE降低了18.4%，多边形IoU提高了15.5%，相较于PoseMLP。这些结果表明，几何感知的范围去噪为空间一致的工区重建提供了一条有效的路径。
博主点评： GAIA框架通过结合几何信息与UWB传感数据，有效提升了工区重建的准确性。这种方法不仅在噪声去除上表现优异，还通过边界一致性强化了重建质量，展示了几何感知在智能交通领域中的潜力。