面向恶劣城市环境下风险感知自主定位的马赛克zonotope阴影匹配

基于全球导航卫星系统（GNSS）的风险感知城市定位仍是一个未解决的问题，用户所在街道或街道一侧的误检频繁发生。三维地图辅助 GNSS 的显著进展使用基于网格的 GNSS 阴影匹配，结合 AI 驱动的视距（LOS）分类器与基于服务器的处理来提升定位精度，尤其在跨街道方向上。我们此前的工作引入了一种新的阴影匹配范式，提出采用计算高效的 zonotope 集合表示进行集值定位。尽管现有文献提升了精度与效率，当前阴影匹配理论并未满足风险感知自主系统的需求。我们扩展此前工作，提出马赛克 Zonotope 阴影匹配（Mosaic Zonotope Shadow Matching, MZSM），其采用分类器无关的 polytope 马赛克架构，为城市定位提供风险感知与可证明保证。我们构建了一个递归扩展的二叉树，通过集合运算将初始位置估计细化为更小的 polytope；这些更小的 polytope 共同构成马赛克。我们以用户处于卫星视距内的概率为树分支赋权，并在每次新卫星观测时扩展该树。我们的方法得出精确的阴影匹配分布，并据此保证用户定位的不确定性界。我们使用旧金山的三维建筑地图进行高保真仿真，以验证算法在风险感知上的改进。我们证明 MZSM 在不同数据驱动的 LOS 分类器精度下均提供可证明保证，并对不确定性的刻画比现有方法更精确。我们验证了基于树的构造高效且可行：从 14 颗卫星计算马赛克耗时 0.63 秒，且随卫星数量呈二次增长。