面向UWB感知与工作区域重建的几何感知基础设施锚定去噪器

# GAIA：基于几何感知的基础设施锚定去噪器，用于UWB感知与施工区重建

来源：https://arxiv.org/html/2607.05449

\[1\]organization=威斯康星大学麦迪逊分校，土木与环境工程系，城市=麦迪逊，邮编=53706，州=威斯康星，国家=美国

\[orcid=0009-0001-2749-6435\]\cormark\[1\]

\[2\]organization=怀俄明大学，土木与建筑工程及施工管理系，城市=拉勒米，邮编=82071，州=怀俄明，国家=美国

\[3\]organization=重庆邮电大学，计算机科学与技术学院，城市=重庆，邮编=400065，国家=中国

\cortext

\[cor1\]通讯作者

Jiaxi [email protected] YouSteven T. ParkerPei LiSikai ChenMeng RanBin Ran

###### 摘要

施工区几何形状的准确感知对于智能交通系统至关重要，而超宽带（UWB）感知为基础设施辅助的施工区重建提供了一条低成本路径。然而，UWB在室外施工区的测距常受非视距（NLOS）传播、突发噪声和长尾误差影响，严重扭曲下游空间重建结果。现有方法主要处理信号级测距去噪，未明确建模可靠边界重建所需的几何结构。

本文提出GAIA，一个基于几何感知、基础设施锚定的学习框架，用于UWB去噪与施工区重建。GAIA通过耦合时间序列测距建模、潜在锚点布局估计与确定性距离投影，估计几何一致的UWB距离。该框架将测距去噪作为监督预测任务，同时引导学习到的距离朝向边界一致的施工区重建方向。

我们主要在真实世界室外UWB数据集上评估GAIA，该数据集包含LOS和NLOS条件下同步的UWB、GNSS和IMU测量值。为补充评估，我们使用一个经真实数据校准的压力测试模拟器，检验模型在更强NLOS干扰和长尾测距误差下的鲁棒性。在真实世界数据集上，GAIA在所有评估的基于滤波和基于学习的基线方法中取得了最低的总体测距MSE和最高的多边形IoU，相比PoseMLP，总体MSE降低了18.4%，多边形IoU提升了15.5%。补充的压力测试模拟和消融结果进一步表明，几何感知组件在严重测距噪声下改善了边界级重建。这些结果表明，几何感知测距去噪是基础设施辅助施工区重建的一个有前景的方向，GAIA提供了一个面向边界的UWB重建框架，将测距校正与空间一致的施工区几何估计联系起来。

###### 关键词：

UWB（超宽带）\sep施工区重建\sep基础设施感知\sep几何感知学习

\{highlights\}

几何感知的施工区重建：UWB建图被公式化为边界重建问题，测距去噪服务于几何目标。

潜在几何引导去噪：推断潜在锚点布局，并将其作为显式空间先验反馈到去噪过程中。

基于真实数据并辅以压力测试的验证：GAIA主要在真实室外UWB测量值上评估，并使用经真实数据校准的模拟器作为补充压力测试环境，用于严重的NLOS和长尾误差情况。

## 1 引言

施工区是公路上最危险且几何形态变化最剧烈的环境之一。2023年，美国境内施工区事故导致898人死亡，超过4万人受伤nsc2024workzone_injuryfacts。施工区通过车道变窄、横向偏移、渐变段和临时障碍物引入快速变化的可行驶边界，产生的几何条件与正常道路布局差异显著dehman2021workzone_cav_review。这些布局通常不规则且在施工期间频繁修改，使得可行驶边界难以一致地表示和跟踪。因此，提供准确且频繁更新的活动施工区空间边界估计，是合规行驶路径规划、危险缓冲和安全通行的基础要求usdot2024wzdx。

对于施工区感知，核心问题在于可穿越边界的位置。因此，我们将施工区感知表述为几何重建任务，并强调边界级指标，如交并比（IoU）和豪斯多夫距离。现有施工区感知方法主要将问题框定为检测，关注交通控制设备、工人或设备。测量级或基于LiDAR的移动测绘系统可恢复详细的道路几何，但需要专用校准设备，且无法持续跟踪变化条件habib2018lidar_lane_width_workzones。基于视觉的流程检测临时交通控制设备（TTCD）并通过拓扑推理推断场景范围seo2022ttcd_crc;zuo2023urban_workzone_detection_sizing，但仍对遮挡、不利光照和有限的标注施工区数据敏感。基于轨迹的众包方法从车辆路径中推断可行驶区域chen2023crowdsourcing_workzone_mapping，但面对突变布局时存在滞后，且在稀疏观测下性能下降。更广泛而言，高精地图更新文献表明，维护动态道路环境的准确几何表示仍然困难且昂贵li2022hdmapnet;liao2022maptr。尽管存在差异，这些方法有一个共同局限：它们优化的是元素级检测或定位，而将可行驶施工区边界视为隐含副产品。这种间接表述模糊了重建问题的几何结构，限制了关于边界级误差的推理。这也引发了一个问题：哪种感知模态能为动态施工区中频繁更新的边界重建提供可靠、可部署的几何约束。

超宽带（UWB）无线电测距为车载感知提供了一种有吸引力的低代价补充：精细的飞行时间分辨率可实现精确距离测量gezici2005uwb_localization_spm;alarifi2016uwb_indoor_review，硬件商用可用且能以适中成本现场部署volpi2023lowcost_uwb_rtls，基于UWB的实时定位系统（RTLS）已在施工现场工人和设备跟踪中展示出实用性maalek2016uwb_construction_accuracy;ochoa2024uwb_roadworker_safety。在V2I（车到基础设施）场景中，沿施工区周边部署的UWB路侧单元（UWB-RSU）可在车辆穿越施工区时为车载标签提供多锚点几何约束，从而为施工区边界提供直接的基础设施侧信号路径。由此产生的多锚点测量提供结构化的几何信息，作为耦合距离观测值用于边界重建。然而，UWB测距对NLOS传播、遮挡和环境干扰高度敏感，在真实部署中可能引入显著偏差和不稳定性wang2023uwb_nlos_survey。

为应对这些挑战，近期工作探索了基于学习的UWB距离校正，表明学习去噪可抑制NLOS诱导偏差wang2023uwb_nlos_survey;angarano2021robust_uwb_deep_edge，并改善施工区传播条件下的下游测距精度。然而，这些方法主要将问题表述为测距去噪：目标是恢复准确的逐锚点距离，而施工区几何重建仍是次要的下游输出liu2026v2iworkzonegeometry。这种表述留下一个重要缺口。在动态施工区环境中，UWB测量常受NLOS传播、遮挡和环境变化影响，使得难以在所有锚点上维持可靠测量。更重要的是，边界重建是一个几何问题，其中锚点误差对最终重建形状的贡献是不均匀的。如图[1](https://arxiv.org/html/2607.05449#S1.F1)(c)所示，重建质量常由几何关键锚点主导。在情况A中，多数锚点准确，但少量关键锚点误差导致重建边界出现大块缺失区域。相比之下，情况B在所有锚点上存在中等误差，产生更嘈杂的局部几何，但保留了整体边界结构。这个例子说明，可靠的施工区重建需要的不仅仅是平均测距误差的最小化：重建质量严重依赖于空间关键误差。此外，真实的室外施工区UWB数据收集成本高昂，实测数据集可能未覆盖严重的NLOS、突发噪声和长尾误差情况。这激发了一种以真实数据为中心、辅以受控压力测试模拟的评估策略，其中真实数据作为主要证据。

参见图注图1：提出的几何优先UWB去噪框架概览与动机示例。为解决上述局限，我们提出GAIA（几何感知基础设施锚定去噪器），一个为施工区几何重建设计的UWB测距去噪学习框架。GAIA利用多锚点UWB观测和几何感知正则化，使去噪后的距离与下游边界重建更加一致。如实验所示，在多边形IoU上GAIA优于评估的基于滤波和基于学习的基线方法，同时在测距误差上保持竞争力。我们的贡献如下：

- • **施工区重建的几何感知形式化**。我们将UWB施工区建图表述为面向边界的测距去噪，其中监督的距离预测由潜在布局和几何一致性目标正则化，以支持下游重建。
- • **几何感知的潜在布局重建**。我们设计了一个几何感知去噪框架，首先从时间序列多锚点UWB观测中推断出潜在锚点布局，然后将推断出的几何作为显式空间先验反馈到去噪过程中。这使得模型能够联合实施时间一致性和空间连贯的边界重建，利用耦合的多锚点测距信号。
- • **以真实世界验证为主，辅以压力测试**。我们主要在真实室外UWB数据集上验证GAIA，该数据集包含LOS和NLOS条件下同步的UWB、GNSS和IMU测量值。在真实数据集上，GAIA相比PoseMLP实现了总体测距MSE降低18.4%，多边形IoU提升15.5%。我们进一步使用经真实数据校准的压力测试模拟器，评估模型在更强NLOS干扰、长尾测距误差和受控几何变化下的行为。

## 2 相关工作

### 2.1 施工区感知：检测、建图与几何估计

现有施工区感知研究主要涉及自动驾驶系统的检测、建图和定位。基于视觉的方法检测临时交通控制设备并从场景结构推断施工区范围seo2022ttcd_crc;zuo2023urban_workzone_detection_sizing，而基于LiDAR的移动测绘系统利用校准测量设备恢复详细道路几何habib2018lidar_lane_width_workzones。众包方法从累积的车辆轨迹估计可行驶区域chen2023crowdsourcing_workzone_mapping，近期基于学习的高精地图框架直接从传感器观测生成矢量车道表示li2022hdmapnet;liao2022maptr;liu2023intersectionmap_roadside_lidar。ROADWork基准进一步表明，现代基础模型在施工区环境中仍然表现不佳，并将可行驶路径估计识别为开放问题ghosh2025roadwork_iccv。

尽管存在差异，这些方法主要优化目标检测、定位或地图生成，而将可穿越的施工区边界视为隐含副产品。然而，规划与安全直接依赖于可行驶边界本身。视觉系统仍对遮挡和光照条件敏感，而LiDAR建图需要专用基础设施，且不能自然地支持对快速变化布局的持续适应。这些局限性促使UWB路侧感知成为施工区边界重建的一种可部署几何感知模态。

### 2.2 UWB测距：能力、NLOS挑战与基础设施部署

超宽带（UWB）测距通过精确的飞行时间测量实现厘米级距离估计，并已在实时定位系统（RTLS）中被广泛采用gezici2005uwb_localization_spm;alarifi2016uwb_indoor_review。现代IEEE 802.15.4a/z UWB收发器支持双边测距（TWR）和到达时间差（TDoA）等协议，可作为低成本现场可部署传感节点volpi2023lowcost_uwb_rtls。近期研究已展示UWB在工业和建筑环境中的部署，包括将锚点直接安装在交通锥上的施工区安全系统maalek2016uwb_construction_accuracy;ochoa2024uwb_roadworker_safety。这些特性使UWB成为车到基础设施施工区感知的一种有吸引力的感知模态。

然而，室外UWB测距仍对非视距传播、多径反射和动态遮挡敏感，这会引入系统性测距偏差wang2023uwb_nlos_survey。现有V2I UWB系统主要将锚点测量用于定位、地理围栏或近距警告，而将来自不同锚点的测量视为独立liu2026v2iworkzonegeometry。因此，多锚点布局形成的几何结构尚未被充分用于施工区边界重建，这激发了纳入几何一致性的基于学习的测距校正方法。

### 2.3 基于学习的测距去噪与几何感知重建

基于学习的方法已显著改善了非视距条件下的UWB测距。早期研究应用机器学习于波形和信道特征，用于测距误差缓解和LOS/NLOS识别wymeersch2012machine;jiang2020uwb_nlos_dl_commlett;cui2021uwb_nlos_cnn_morlet。后续工作引入了更深层次的架构，包括基于自编码器的测距校正和适用于施工区环境的轻量级边缘可部署回归网络fontaine2020uwb_autoencoder_access;angarano2021robust_uwb_deep_edge。近期方法采用注意力机制和Transformer架构，联合建模信道特性和多锚点观测，用于测距优化和位置校正pei2024fcn_attention_uwb;yang2025fuzzy_bert_uwb_tim;coppens2025transformer_tdoa_uwb。同时，若干研究探索了结构化或位置感知学习，以纳入锚点间的空间关系coene2024location_aware_uwb_sensors;luo2022geometric_dl_ipin。

尽管有这些进展，现有方法仍主要优化逐锚点的测距精度。其目标通常由平均测距误差或LOS/NLOS分类精度定义，未直接考虑下游几何重建任务。