幾何感知基礎設施錨定去噪器用於UWB感知與作業區重建
GAIA是一種幾何感知、基礎設施錨定的學習框架，用於處理超寬帶UWB測距中的非視距傳播、突發噪聲和長尾誤差，通過結合時間範圍建模、潛錨點佈局估計和確定性距離投影，在作業區幾何重建中實現了去噪和一致性重建。在真實户外UWB數據集上，GAIA將範圍均方誤差降低了18.4%，多邊形IoU提升了15.5%，優於現有方法。
準確的作業區幾何感知對於智能交通系統至關重要，而超寬帶（UWB）傳感技術為此提供了一種低成本的解決方案，可用於基礎設施輔助的三維重建。然而，室外UWB測距常常受到非視距傳播、突發噪聲和長尾誤差的影響，導致下游空間重建出現失真。針對這一問題，來自多所研究機構的研究人員提出了GAIA（Geometry-Aware Infrastructure-Anchored）框架，這是一種幾何感知、基礎設施錨定的學習框架，能夠有效處理UWB測距中的各種噪聲和誤差。
GAIA框架的核心創新在於將時間範圍建模與潛錨點佈局估計及確定性距離投影有機結合。與傳統的僅關注噪聲去除的方法不同，GAIA在保持範圍去噪作為監督任務的同時，引導學習到的距離朝向邊界一致的重建方向。具體而言，框架首先通過時間序列模型對UWB測距數據進行建模，捕捉測距值隨時間的變化規律；然後利用潛錨點佈局估計來推斷基礎設施節點的位置分佈；最後通過確定性距離投影將學習到的距離映射到一致的幾何邊界上。這種設計確保了去噪過程不僅降低了噪聲，還促進了空間重建的一致性。
為了驗證GAIA的有效性，研究團隊在真實室外UWB數據集上進行了廣泛評估。該數據集包含了同步的UWB、GNSS和IMU測量數據，涵蓋了多種實際場景。此外，他們還利用由真實數據校準的應力測試模擬器進一步檢驗了框架的魯棒性。實驗結果顯示，在多種基於濾波和學習的基線方法中，GAIA取得了最低的整體範圍均方誤差（MSE）和最高的多邊形交併比（IoU）。與現有的PoseMLP方法相比，GAIA將MSE降低了18.4%，將多邊形IoU提升了15.5%。這些結果充分證明了幾何感知範圍去噪在實現空間一致作業區重建方面的潛力。
GAIA框架的提出為智能交通系統中的低成本感知技術開闢了新的道路。通過改善UWB測距質量，GAIA可以顯著提升作業區三維重建的精度和可靠性，從而為車輛導航、基礎設施監測等應用提供有力支持。未來，該框架有望被集成到實際交通系統中，推動智能交通的發展。此外，GAIA的設計思路也可推廣至其他基於距離測量的傳感任務，展示出廣闊的應用前景。