准确的作业区几何感知对于智能交通系统至关重要，而超宽带（UWB）传感技术为此提供了一种低成本的解决方案，可用于基础设施辅助的三维重建。然而，室外UWB测距常常受到非视距传播、突发噪声和长尾误差的影响，导致下游空间重建出现失真。针对这一问题，来自多所研究机构的研究人员提出了GAIA（Geometry-Aware Infrastructure-Anchored）框架，这是一种几何感知、基础设施锚定的学习框架，能够有效处理UWB测距中的各种噪声和误差。
GAIA框架的核心创新在于将时间范围建模与潜锚点布局估计及确定性距离投影有机结合。与传统的仅关注噪声去除的方法不同，GAIA在保持范围去噪作为监督任务的同时，引导学习到的距离朝向边界一致的重建方向。具体而言，框架首先通过时间序列模型对UWB测距数据进行建模，捕捉测距值随时间的变化规律；然后利用潜锚点布局估计来推断基础设施节点的位置分布；最后通过确定性距离投影将学习到的距离映射到一致的几何边界上。这种设计确保了去噪过程不仅降低了噪声，还促进了空间重建的一致性。
为了验证GAIA的有效性，研究团队在真实室外UWB数据集上进行了广泛评估。该数据集包含了同步的UWB、GNSS和IMU测量数据，涵盖了多种实际场景。此外，他们还利用由真实数据校准的应力测试模拟器进一步检验了框架的鲁棒性。实验结果显示，在多种基于滤波和学习的基线方法中，GAIA取得了最低的整体范围均方误差（MSE）和最高的多边形交并比（IoU）。与现有的PoseMLP方法相比，GAIA将MSE降低了18.4%，将多边形IoU提升了15.5%。这些结果充分证明了几何感知范围去噪在实现空间一致作业区重建方面的潜力。
GAIA框架的提出为智能交通系统中的低成本感知技术开辟了新的道路。通过改善UWB测距质量，GAIA可以显著提升作业区三维重建的精度和可靠性，从而为车辆导航、基础设施监测等应用提供有力支持。未来，该框架有望被集成到实际交通系统中，推动智能交通的发展。此外，GAIA的设计思路也可推广至其他基于距离测量的传感任务，展示出广阔的应用前景。