面向实时高精度 GPS 信号增强的鲁棒高斯过程回归

诸如 GPS 之类的卫星定位系统常受到大量噪声的干扰，尤其在实时应用中会显著降低定位精度。本文考虑采用数据挖掘方法来增强 GPS 信号。我们构建了一个大规模高精度 GPS 接收机网格系统以采集实时 GPS 信号用于训练。选用高斯过程（GP）回归来建模地球电离层的垂直总电子含量（vTEC）分布。我们的实验表明，实时 GPS 信号中的噪声常常超出传统鲁棒回归方法的崩溃点，导致系统性能次优。我们提出一种三步方法来应对这一挑战。第一步，我们执行一组信号有效性测试，将信号分为干净与受污染两组。第二步，我们在干净信号上训练初始模型，随后基于残差误差对受污染信号重新加权。最终模型在干净信号与重新加权的受污染信号上重新训练。在理论分析中，我们证明若遵循两条重新加权规则，所提出的三步方法能够容忍比原始鲁棒回归方法高得多的噪声水平。我们在实时高精度定位系统中针对若干流行的先进鲁棒回归方法验证了该方法的优越性。我们的方法在基准区域以 $78.4\%$ 的概率达到厘米级定位精度，优于次优基线方法 $8.3\%$。该基准在 20,000 个 CPU 核上耗时 6 小时，或在单 CPU 上耗时 14 年。