《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Lightweight and adaptive fusion framework using remote sensing derived scene backbone map for positioning enhancement in urban NLOS environments
编辑推荐：
场景主干地图构建与GNSS/INS轻量级融合定位增强研究。摘要：提出基于遥感影像的场景主干地图构建方法，通过轻量级自适应轨迹校正模块消除INS累积误差，并设计地图一致性约束机制修正GNSS异常定位。采用融合 dilated striped convolutions 和 adaptive dynamic snake convolutions 的道路提取网络解决阴影遮挡问题，实验验证在复杂城市NLOS环境下实现定位精度与鲁棒性显著提升。
郑振奇|孙晓|王轩|张琪宇|杨碧生|李友
中国武汉大学湖北珞珈实验室信息工程测量、制图与遥感国家重点实验室，武汉，430079
摘要
全球导航卫星系统（GNSS）、惯性导航系统（INS）及其集成技术在城市环境中得到了广泛应用。然而，由于建筑物密集和植被覆盖导致视距（NLOS）条件的出现，某些城市区域的GNSS信号质量较差，这使得与其他传感器的融合变得困难，尤其是对于智能手机用户而言。为了解决这些问题，本文提出了一种基于遥感影像生成的场景骨架图的轻量级自适应定位增强框架，旨在城市NLOS环境下实现消费级移动设备的户外行人定位。该骨架图作为一种紧凑且几何上连贯的环境表示，支持GNSS和INS的增强：INS提供几何参考点，使得轨迹偏差的校正变得轻量且自适应，无需依赖外部地标；而GNSS则提供空间几何一致性约束，用于检测和消除异常定位结果。为了从道路结构中提取骨架图，我们开发了一种抗阴影的道路提取网络，该网络结合了扩张条纹卷积和自适应动态蛇形卷积，确保在阴影和遮挡条件下仍能可靠地提取特征。在具有代表性的城市NLOS环境中进行的实验表明，所提出的框架显著提高了GNSS和INS定位的准确性和鲁棒性。凭借其低计算开销和强大的适应性，该框架为资源受限的移动平台提供了可扩展的实时定位解决方案。
引言
定位信息已成为现代社会发展中的基本要素，在导航、智能交通、智慧城市和公共安全等多个领域发挥着关键作用（W. Liu等人，2025年）。户外定位主要依赖于全球导航卫星系统（GNSS）（Yang等人，2025年）、惯性导航系统（INS）（Sun等人，2025年）或两者的结合使用。这些技术已经相当成熟，并已成功商业化。然而，随着城市化进程的加速，高层建筑和密集植被的增多，出现了越来越多的半开放、非暴露的户外环境。在这种环境下，GNSS信号极易受到视距（NLOS）条件和多路径效应的影响，导致信号衰减甚至完全丢失（Zhuang等人，2023年）。这严重降低了GNSS定位的可用性和可靠性，给智能手机等消费级设备的低成本高精度行人定位带来了巨大挑战。现有的减少GNSS定位误差和提高精度的方法通常包括精度稀释优化、信号类型分类、基于历史数据的非凸因子图优化以及使用M估计的鲁棒迭代卡尔曼滤波（Wen等人，2022年；Yue等人，2022年）。尽管这些方法在提高GNSS定位精度方面取得了一定进展，但它们主要关注于校正观测误差，而在检测和解决最终定位结果中的异常方面能力有限。作为一种常用的异常检测技术，异常值分析因其在识别和减轻异常数据方面的有效性而被广泛应用于GNSS定位结果的改进。然而，这种方法严重依赖于数据的整体准确性；当存在系统性偏差时，它往往无法可靠地检测和消除显著的定位异常值，从而影响GNSS定位的整体性能。因此，迫切需要一种更高效、简化且直接的方法来消除异常值，以提高GNSS定位结果的可靠性。
惯性导航系统（INS）是一种常用的户外自定位方法，通过整合来自惯性测量单元（IMU）的加速度和角速度测量值来估计位置，IMU由加速度计和陀螺仪组成。然而，由于传感器误差的累积，这种方法的准确性会随时间下降，需要使用外部高精度定位信息进行校正以保持整体定位精度。目前，校正通常使用固定参考点进行（Zhang等人，2018年；Zheng等人，2023年）。尽管这种方法有效，但它限制了用户的移动自由度，不适合需要灵活、无约束移动的环境。为了探索更灵活的校正方法，能够在不限制用户移动的情况下提供准确的位置更新，通常使用GNSS来校正惯性导航误差，因为其覆盖范围广且实时可用（K. Chen等人，2021年；Li等人，2025年）。然而，在非暴露环境中，GNSS定位的可靠性显著下降，难以提供连续且准确的更新来抑制漂移。
相比之下，基于地图的定位在复杂环境中展现出巨大潜力，因为它具有丰富的环境特征、强的视觉兼容性和适应无约束用户移动的灵活性。其定位结果可用于校正非暴露区域的INS误差（Gusenbauer等人，2010年；Attia等人，2013年；Bai等人，2024年；Mai等人，2025年）。然而，这些方法通常依赖于计算量巨大的算法，如粒子滤波器（Shi等人，2023年；T. Wang等人，2024年），而在大规模定位场景中，大量的地图数据进一步对处理和内存资源提出了高要求。这些限制使得它们不适合消费级应用所需的轻量级定位解决方案。因此，将基于地图的定位应用于大范围区域的INS误差校正仍然是一个双重挑战，涉及高数据量和巨大的计算负担。
目前，道路地图数据是基于地图的定位中最常用的环境信息形式。遥感成像技术的进步使得提取户外道路地图数据成为主要来源。根据提取方法的不同，道路检测方法大致可分为传统技术和基于深度学习的方法。传统方法依赖于道路的几何、纹理和形态特征，使用模板匹配、基于知识的推理、图像分割和支持向量机来提取道路网络（Poullis和You，2010年；Huang和Zhang，2013年）。尽管这些方法在某种程度上有效，但它们通常自动化程度低且计算复杂度高，不适合大规模或复杂环境。相比之下，深度学习方法在道路提取方面提供了更高的效率和更大的自动化程度，逐渐成为该领域的主流方法（Long等人，2017年；Yang等人，2019年；Zhang等人，2020年；Gao等人，2021年；Z. Chen等人，2021年；Abdollahi等人，2022年）。然而，在处理复杂道路结构或严重遮挡的环境时，现有方法往往难以保持长距离道路特征的连续性，导致道路地图不完整，从而影响整体定位性能。
为了解决上述挑战，本文提出了一种基于遥感影像构建的场景骨架图的轻量级自适应定位增强方法，用于城市NLOS环境中的户外行人定位。通过利用来自遥感数据的场景骨架图，该方法能够在非暴露环境中实现轨迹偏差的轻量级自适应校正，显著提高GNSS定位结果的准确性和可靠性。与传统地图数据相比，场景骨架图更加紧凑且计算效率高，更适合在复杂环境中运行的移动消费设备进行轻量级定位。
总结来说，本文的主要贡献如下（如图1所示）：
1. 为了解决现有INS轨迹校正方法在轻量级部署和适应性方面的局限性，本文引入了基于遥感影像生成的场景骨架图用于定位增强。基于这种表示，我们设计了轨迹校正和定位增强模块。与传统地图数据相比，骨架图大幅减少了数据量和计算成本，同时支持多种行走模式和无标记的自动匹配，从而满足了轻量级和自适应定位增强的要求。
2. 为了减轻阴影环境中GNSS误差的问题，现有校正方法大多停留在观测层面，缺乏在解决方案层面的有效处理，我们提出了一种基于骨架图的误差检测机制，该机制结合了骨架图的空间几何一致性约束和基于轨迹的过滤。这种机制实现了无需依赖外部标准的无监督自适应误差控制，从解决方案层面提高了整体定位的准确性和可靠性。
3. 为了克服在复杂城市场景中由于阴影和遮挡导致道路提取精度有限的问题，我们提出了一种新的道路提取网络，该网络结合了扩张条纹卷积和自适应动态蛇形卷积。这种设计能够快速准确地提取抗阴影干扰的道路特征，构建出几何上连贯的道路地图，显著提高了准确性和可靠性。该方法在密集城市环境中的遮挡情况下表现出强大的适应性，并为骨架图构建和定位增强提供了高质量的地图基础。
本文的结构如下：第2节回顾了相关工作，第3节介绍了所提出的方法，包括从遥感影像构建户外场景骨架图及相应的定位增强技术。第4节展示了实验结果和分析，第5节得出了结论。
相关研究
相关工作
本节介绍了所提出方法涉及的相关概念和方法，进一步强调了其贡献。它分为户外道路提取和航位推算轨迹校正两部分（见表1和表2）。
方法论
为了使普通用户在户外非暴露环境中使用消费级智能设备实现高精度和低成本的定位，本文提出了一种基于遥感影像构建的场景骨架图的轻量级自适应定位增强方法。整体技术流程如图2所示。具体而言，设计了一个结合扩张条纹卷积和自适应动态蛇形卷积的编码器-解码器网络来处理遥感数据
实验描述
本研究探讨了如何利用基于遥感影像构建的场景骨架图来实现轻量级自适应校正，以纠正偏离的航位推算轨迹并有效消除GNSS定位中的误差，从而提高整体定位精度。为了验证所提出方法在道路提取和定位增强方面的有效性，设计了两组实验，总结见表4，提供了全面的评估
结论
本文提出了一种基于遥感影像构建的场景骨架图的轻量级自适应定位增强框架。通过利用这种紧凑且几何上连贯的表示，该框架整合了两个互补模块：针对INS的轻量级自适应轨迹校正和针对GNSS的有效粗误差消除。为了在复杂城市条件下构建高质量的道路骨架图，提出了一种抗阴影的道路提取方法
CRediT作者贡献声明
郑振奇：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法论，调查，数据整理，概念化。孙晓：撰写 – 审稿与编辑，验证，软件，方法论。王轩：可视化，验证，软件。张琪宇：可视化，验证，软件，方法论，调查。杨碧生：监督，资源管理，项目协调，资金获取，正式分析。李友：撰写 – 审稿与
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本研究部分得到了国家自然科学基金（42274052）、中国博士后科学基金（资助编号2025M780221）、中国博士后科学基金 - CCTEG联合支持计划（资助编号2025T018ZGMK）、武汉自然科学基金（2025041001010 363）、湖北珞珈实验室开放基金（260100006、260100020）的支持。
