一种复杂城市环境中基于图神经网络与卡尔曼滤波融合的新型鲁棒亚米级智能手机定位

《Advances in Space Research》：A Novel Robust Sub-Meter Smartphone Positioning Using Graph Neural Networks and Kalman Filter Fusion in Complex Urban Environments

　　

• 提出了一种用于智能手机GNSS定位的测量级GNN-KF框架。• 异方差不确定性使GNSS观测的自适应加权成为可能。• 所提方法利用Mi 8和S21 Ultra数据实现了0.82 m的RMSE。• 消融分析和LOS/NLOS分析证实了其在城市峡谷条件下的鲁棒性。引言近年来，智能手机、手持设备以及其他低成本全球卫星导航系统（GNSS）接收机的广泛普及和低使用成本，使其成为个人及专业导航、车辆追踪、安全管理和社交网络等各类应用的理想工具（Sun et al., 2017, Templin et al., 2018, Paziewski, 2020, Specht et al., 2020, Paziewski et al., 2021, Toma?tík et al., 2021, Zangenehnejad and Gao, 2021, Zangenehnejad et al., 2022, Wang et al., 2024, Mohamadi et al., 2026）。除定位和导航之外，GNSS观测数据还已成为地球物理、大气和环境监测的重要信息来源，包括地壳形变和水文含水层研究、加权平均温度建模、可降水汽.retrieve、GNSS层析反演数据同化以及基于卫星的大气产品验证（Sabeti et al., 2023, Ghanbari et al., 2024; Tayfehrostami, Amerian and Izanlou, 2026; Tayfehrostami, Amerian, Izanlou et al., 2026; Tayfehrostami and Amerian, 2025, Tayfehrostami and Amerian, 2026a, Tayfehrostami and Amerian, 2026b, Tayfehrostami and Amerian, 2026c）。这种广泛的应用范围突显了GNSS测量的日益增长的科学与实用价值，也激发了对提高低成本消费级设备采集的GNSS观测数据可靠性的进一步研究。传统上，单频码伪距单点定位可提供米级精度，对于此类用途已经足够。然而，2016年Android 7.x系统开放原始GNSS测量数据，极大地推动了智能手机GNSS数据的研究，促使人们在数据质量评估、预处理技术和定位模型改进等方面开展了大量研究（Zhang et al., 2018, Geng and Li, 2019, Wang et al., 2021, Bahadur, 2022, Nasr-Azadani et al., 2023）。尽管与大地测量级接收机相比，智能手机存在天线性能较弱、载噪比较低（低约10 dB-Hz）以及伪距噪声放大（高达10倍）等局限（Pan et al., 2024），但研究已证明，在特定条件下，智能手机GNSS可在水平和垂直定位中实现亚米级精度，尤其是当相位观测可用时（Gikas and Perakis, 2016, Yan et al., 2019, Wen et al., 2020, Liu et al., 2021, Li et al., 2022）。这一进展突显了高精度点定位（PPP）和实时动态测量（RTK）等高级定位方法在智能手机上实现的潜力（Romero-Andrade et al., 2019, Wen et al., 2020），从而将其应用从传统导航拓展至高精度车辆引导、增强/虚拟现实应用和应急响应服务等新兴领域（Paziewski and Crespi, 2020）。尽管取得了显著改进，智能手机GNSS仍面临测量噪声、卫星可见性降低和环境动态变化等挑战，这些因素阻碍了其连续、高可靠性的运行（Pourmina et al., 2024, Pourmina and Alizadeh Elizeie, 2024）。然而，持续的技术进步表明，智能手机和低成本接收机在未来有望成为大地测量级设备的有利补充（Odolinski and Teunissen, 2016, Odolinski and Teunissen, 2020, Bar Yossef et al., 2019, Dabove and Di Pietra, 2019），从而革新基于位置的服务并使新一代高精度需求应用成为可能。多项研究考察了智能手机GNSS观测数据的特征，揭示这些测量数据受到严重的多径效应、信噪比降低和天线增益图案不均匀等问题的影响，综合作用导致其观测噪声远高于大地测量级接收机（Gogoi et al., 2019, Zhang et al., 2018, H?kansson, 2019, Paziewski et al., 2019）。虽然曾被认为是对智能手机精确定位的主要障碍之一的占空比循环问题，现在看来已不再是一个关键问题，但载波相位观测中的一些异常效应仍然构成重大挑战，因为这些问题因设备的具体芯片组和天线设计而异（Paziewski et al., 2021）。大多数先前分析仅限于单一设备型号，或主要聚焦于单频信号和特定GNSS系统（Sun et al., 2020）。尽管少数研究评估了华为P30或小米Mi 8等双频智能手机，但这些工作通常局限于特定频段或单独星座，缺乏全面的跨设备比较（Robustelli et al., 2019, Uradziński and Baku?a, 2020, Wanninger and He?elbarth, 2020）。为弥补这一差距，近期研究将GNSS观测质量评估扩展至多个星座——包括全球定位系统（GPS）、伽利略系统（Galileo）、北斗系统（BDS）和格洛纳斯系统（GLONASS），使用从单频模型（如华为P20、P Smart）到双频设备（如华为P30、小米Mi 8、Mi 9）的多种Android设备。这些研究探讨了噪声特征、信号强度和载波相位特性，甚至引入了如"变差"方法（Colosimo et al., 2011）等方案，用于基于智能手机定位的随机建模（Cai et al., 2016）。需要强调的是，许多此类研究主要是观测性质的，侧重于GNSS测量质量在不同设备、星座和频率之间的变化。虽然随机建模是GNSS数据处理中成熟的组成部分，但它通常使用简化或启发式的噪声模型，这些模型不能明确考虑测量级别的设备依赖、频率特定和环境感知变异性。因此，将此类异构信号特征整合到自适应的测量级随机模型中——特别是在紧耦合滤波框架内——仍然有限。从方法论角度来看，先前工作大致可分为基于模型的策略和基于数据驱动的策略。基于模型的策略——如PPP、RTK、卡尔曼滤波和因子图优化——展现了前景，研究证明通过结合多频和多星座观测，可在动态场景下实现亚米级精度（Fortunato et al., 2019, Geng et al., 2019, Suzuki, 2021）。近期进展表明，将实时动态测量（RTK）与惯性导航系统（INS）结合使用鲁棒卡尔曼滤波，可显著提升城市环境中的智能手机定位精度。在近期的一项研究中，所提出的融合策略使小米Mi 8和三星Galaxy S21 Ultra设备在具有挑战性的多径条件下分别实现了约0.38 m和0.42 m的实时精度（Pourmina et al., 2024）。然而，这些技术通常依赖于对噪声模型的强假设，需要精心调优的超参数，这限制了其在多样化条件下的适应性。另一方面，基于数据驱动的方法，包括机器学习和深度学习方案，因其对多径效应的鲁棒性以及可扩展到大数据集的能力而受到关注。应用范围从基于回归的校正模型（Siemuri et al., 2021）到用于城市场景识别的循环神经网络（Xia et al., 2020）、用于校正策略的强化学习（Zhang and Masoud, 2021），以及用于城市导航的基于Transformer的模型（Kanhere et al., 2022）。虽然这些方法具有适应性，但它们在使用未见过的数据集时往往会出现过拟合和精度下降的问题。因此，近期研究着重强调混合框架的优势，即将基于模型的精确性与基于学习的适应性相结合。示例包括与GNSS测量校正融合的强化学习方法、几何矩阵与数据驱动组件的增强，以及将图神经网络架构与卡尔曼滤波集成以联合利用多星座信号并学习位置校正。这些进展表明了一种日益增长的趋势，即向平衡物理建模与数据驱动适应性的框架发展，以克服任一范式单独存在的局限性。尽管在将机器学习和基于图的方法应用于智能手机GNSS定位方面取得了近期进展，但仍有若干挑战未得到解决。现有方法通常依赖于松耦合策略，仅提供状态级校正，或使用简化的同方差噪声模型，这些模型无法充分表征智能手机GNSS观测在不同设备、频率和城市环境间的变异性。这些局限性降低了其在密集城市区域的鲁棒性，并限制了其在不同智能手机平台间的适应性。本研究探讨了一种将图神经网络与异方差卡尔曼滤波整合的紧耦合框架。所提出的框架将卫星-频率观测表示为图节点，并纳入几何特征、信号质量特征、设备依赖特征、频率特定特征和NLOS相关特征。GNN导出的校正项和方差估计随后直接纳入卡尔曼滤波的观测模型和协方差矩阵中，在滤波更新之前完成。这种测量级的整合使滤波器能够根据估计的可靠性自适应地加权观测数据。本工作的主要贡献有三方面：（1）为智能手机GNSS观测引入了一种设备感知和频率感知的图表示方法，（2）提出了一种可靠性加权池化机制与异方差卡尔曼滤波相结合的方法来自适应建模测量不确定性，以及（3）利用从小米Mi 8和三星Galaxy S21 Ultra智能手机在伊朗Qazvin具有代表性的城市环境中采集的真实数据进行验证。这些贡献为使用现成消费级设备实现鲁棒的亚米级智能手机GNSS定位提供了新的见解。章节片段GNSS测量模型与智能手机误差预算本文中，rt表示三维接收机位置，xt表示完整的卡尔曼滤波状态向量，包括位置以及额外的动态状态。设s索引卫星，f∈{L1/E1, L5/E5a}表示载波频率，t表示历元。接收机位置为rt∈R3，钟差为bt（以秒为单位），卫星位置为rs(t)，c表示光速。几何距离为ρs(t)=‖rs(t)-rt‖，视线（LOS）单位向量为us(t)=rs(t)-rt/ρs(t)。标准数据集与初始化本研究使用了小米Mi 8和三星Galaxy S21 Ultra智能手机，两者均支持双频GNSS信号跟踪（L1和L5）。这一功能使设备能够接收来自多个GNSS星座的信号，包括GPS、GLONASS、Galileo和北斗，通过利用各星座的优势来提高定位精度。数据采集使用了Google开发的应用程序GnssLogger。该应用程序能够同时记录……结果与讨论本节呈现实验结果并讨论所提方法相对于传统卡尔曼滤波和松耦合GNN+KF方法的表现。评估重点包括定位精度、亚米级达标率、街道级鲁棒性、设备级表现、消融分析、LOS/NLOS鲁棒性以及计算可行性。结论本研究提出了一种将图神经网络与异方差卡尔曼滤波整合的紧耦合框架，以增强复杂城市环境中基于智能手机的GNSS定位。与许多先前主要依赖松耦合状态级校正或简化噪声模型的研究不同，我们的方法直接将每颗卫星的校正项和方差估计纳入滤波过程。这一创新使系统能够动态适应……资助信息本研究未获得公共、商业或非营利领域任何资助机构的专门拨款。未引用参考文献Tayfehrostami et al., 2026a, Tayfehrostami et al., 2026b。利益冲突声明作者声明不存在可能影响本研究报告工作的已知竞争性经济利益或个人关系。Amir Hossein Pourmina|M. Mahdi Alizadeh|Harald Schuh