用于道路网络辅助GNSS定位的神经增强卡尔曼滤波器

全球导航卫星系统（GNSS）在全球范围内提供关键的定位信息，但在密集的城市环境中，其精度常常受到多径和非视距误差的影响。道路网络数据可用于减少这些误差的影响并提高定位系统的精度。先前使用道路网络数据的工作要么局限于离线应用，要么依赖于灵活性和鲁棒性较差的卡尔曼滤波器（KF）启发式方法。我们转而提出训练一个时间图神经网络（TGNN），将道路网络信息集成到KF中。TGNN被设计用于预测正确的道路段及其相关的不确定性，以用于KF的测量更新步骤。我们使用真实的GNSS数据和开源道路网络验证了我们的方法，观察到在具有挑战性的场景中，与仅使用GNSS的KF相比，定位误差减少了29%。据我们所知，这是第一个联合使用道路网络数据和GNSS测量来确定地球用户位置的基于深度学习的方法。