IPNL 智能定位与导航实验室 搜索 EN 简 繁

Grid-based 3DMA GNSS with clustering and Doppler velocity using factor graph optimisation

Ng, H. F., Zhong, Q., Groves, P., Hsu, L. T.

The Journal of Navigation (2025)

journal Q1 精选页面
DOI PDF
vehicular 3DMA GNSS experiment 的 clustering 与 trajectory panels。
图 7 视觉细节：vehicular 3DMA GNSS experiment 的 clustering 与 trajectory panels。

摘要

这篇 grid-based 3DMA GNSS 论文把候选点 clustering、Doppler velocity 与 factor graph optimization 串在一起，用于改善深度城市场景中的 GNSS 定位。

重点

  • 论文先用 region-growing clustering 分离多峰的 3DMA GNSS 候选位置，再进入 factor graph optimization。
  • 实验涵盖 London 静态数据与 Canary Wharf 车载数据，并比较 loosely coupled 与 hybrid-coupled FGO 版本。

图像

在候选点分数计算后，论文用 region growing 把可能的位置分成不同 clusters，而不是强迫所有候选点形成单一解。

用 sampled candidates、score ordering、thresholds 和 clustering results 说明 region-growing 的简化示例。
图 2：用于 clustering 3DMA GNSS sampled candidates 的 region-growing 简化示例。

选出的 cluster 接着成为 hybrid-coupled graph 中的 measurement factor，并与 pseudorange 和 Doppler 信息一起约束定位。

包含 state nodes、pseudorange factors、Doppler factors 与 selected 3DMA GNSS cluster factors 的 hybrid-coupled factor graph。
图 4：proposed hybrid-coupled 3DMA GNSS approach 的 factor graph 结构。

在呈现定位精度前，论文先交代实验中的城市遮蔽程度与卫星可见性条件。

显示 building-boundary elevation angle、SNR、LOS satellites 与 NLOS satellites 的实验统计与 sky masks。
图 5：代表性测试点的平均 building-boundary elevation、received SNR 与 sky masks。

静态结果显示 clustering 能降低沿街方向误差，并把真值附近的候选 cluster 与其他 cluster 分开。

在困难街谷位置比较 clustered 与 non-clustered 3DMA GNSS FGO 方法的静态定位结果图。
图 7：静态城市测试点的 horizontal errors、map plots 与 multiple-cluster 示例。

车载结果把静态观察延伸到动态路线，并比较 conventional、grid-filter 与 FGO-based 方法的误差分布。

比较不同算法在车载实验中的 RMSE、50th、90th 与 95th percentile 定位误差的柱状图。
图 9：车载实验中的 RMSE 与 horizontal radial positioning error percentiles。