← 返回论文列表

可信DFGO：带可信度监督的可微因子图优化
CredibleDFGO: Differentiable Factor Graph Optimization with Credibility Supervision

作者: Liang Qian, Penggao Yan, Penghui Xu 等4人
arXiv: 2605.06100v1
分类: eess.SP, cs.AI, cs.LG, cs.RO
📝 论文摘要
全球导航卫星系统（GNSS）定位在城市导航中应用广泛，但其解算器输出的协方差在城市峡谷环境下往往不可靠。现有可微因子图优化（DFGO）方法已通过解算器学习量测加权策略，但仍仅使用位置目标函数。这导致均值估计可能改善，但输出的协方差仍可能存在过小、过大或形态失真的问题。本文提出可信可微因子图优化（CredibleDFGO, CDFGO）框架，将协方差可信度作为显式训练目标。加权生成网络（WGN）预测每颗卫星的可靠性权重。可微高斯-牛顿解算器将权重映射为位置估计与后验协方差，并通过恰当评分规则端到端监督东-北预测分布。我们研究了负对数似然（NLL）、能量评分（ES）及其组合。在三个UrbanNav测试场景上的结果表明，不确定性可信度获得持续提升。中度和恶劣城市场景中的定位精度同样得到改善，深度城市场景中的平均水平误差和第95百分位误差亦有所下降。在恶劣城市旺角（MK）场景中，CDFGO-Combined方法将平均水平误差从13.77米降至11.68米，NLL从40.63降至6.59，ES从12.31降至9.05。案例研究将MK场景的改进归因于更好的轴一致性、更可信的局部协方差椭圆以及卫星级权重重分配。

📊 核心分析

🎯 研究动机
- **全球导航卫星系统(GNSS)** 定位在城区环境中，GNSS解算器报告的**协方差(covariance)** 往往不可靠 - 现有**可微因子图优化(DFGO)** 方法仅使用位置目标进行学习，导致均值估计可能改善，但报告的协方差仍然过小、过大或形状错误 - 研究背景：城市峡谷中多路径效应和非视距(NLOS)信号使得协方差估计严重失真，亟需同时提升定位精度和不确定性可信度
🔧 核心方法
- 提出**CredibleDFGO(CDFGO)** 框架，核心包含**权重生成网络(Weighting Generation Network, WGN)**，预测每颗卫星的可靠性权重 - 构建**可微Gauss-Newton求解器**，将预测权重映射为位置估计和**后验协方差(posterior covariance)** - 采用**proper scoring rules** （包括**负对数似然(NLL)** 和**能量分数(Energy Score, ES)**）作为损失函数，端到端监督**东-北(East-North)** 预测分布 - 在网络训练中联合优化定位精度和协方差可信度，实现不确定性监督
💡 核心创新
- **显式监督协方差可信度**：首次将协方差可信度作为明确的训练目标，而非仅优化位置误差 - **概率预测分布监督**：利用proper scoring rules（NLL和ES）直接优化预测分布的校准性，解决传统方法协方差形状失真问题 - **端到端可微分框架**：将GNSS因子图优化与深度学习结合，实现从卫星权重到位置和协方差的联合端到端学习 - **多目标融合**：通过组合NLL和ES损失，在定位精度和不确定性可信度之间取得平衡，优于单目标方法
🏆 总体贡献
- 提出一种新的**可微因子图优化范式**，将不确定性可信度纳入训练目标，显著提升GNSS定位的协方差校准性 - 在三个**UrbanNav** 测试场景（中等城区、严酷城区、深城区）上取得一致改进，定位精度和不确定性可信度均优于基线 - 在**深城区(deep-urban)场景**，平均水平误差和95分位误差均有改善；在**严酷城区Mong Kok** 场景，平均值误差从13.77m降至11.68m，NLL从40.63降至6.59，ES从12.31降至9.05 - 通过案例分析展示了协方差椭圆的方向一致性改善和卫星级权重重分配，为城区GNSS定位提供了更可信的不确定性估计方法