NeRC：通过可微分移动视界位置估计的神经测距校正

在城市环境中，使用日常移动设备进行全球导航卫星系统（GNSS）定位颇具挑战，因为卫星信号复杂传播和低质量板载 GNSS 硬件导致的测距误差会损害定位精度。研究人员寄希望于数据驱动的方法，从原始测量值中回归这些测距误差。然而，测距误差的繁重标注工作阻碍了其进展。本文提出了一个鲁棒的端到端神经测距校正（NeRC）框架，其中定位相关指标作为训练神经模块的任务目标。我们不再寻求不切实际的测距误差标签，而是使用相对容易获取的真实位置来训练神经网络。此功能由可微分移动视界定位估计（MHE）支持，该估计处理一个视界内的测量值以进行定位，并反向传播梯度用于训练。更优的是，得益于端到端学习，我们提出了一种使用欧几里得距离场（EDF）代价图的新训练范式，从而减轻了对标注位置的需求。我们在公开基准和我们收集的数据集上评估了所提出的 NeRC，证明了其在定位精度上的显著提升。我们还将 NeRC 部署到边缘设备上，以验证其在移动设备上的实时性能。