Urban - 基于深度学习的城市位置预测项目产品系统

在城市峡谷中，全球导航卫星系统（GNSS）定位仍然面临挑战，主要是由于信号阻塞和多径效应。尽管三维地图辅助的 GNSS（3DMA-GNSS）能够缓解这些问题，但城市规模的部署却因不可靠的三维先验信息而受阻：高保真度的三维模型成本高昂，而公共地球观测（EO）产品虽然能提供建筑物轮廓，但存在覆盖不一致和高层建筑系统性高度偏差的问题。同时，众包的 GNSS 数据在建筑物之间分布稀疏且不均匀，并且在不同地区/设备之间存在差异，这使得基于 GNSS 的高度重建变得脆弱。

我们实现了 Sundial，这是一种基于 GNSS 的建筑物高度重建方法，结合了 3DMA 定位功能，可在普通智能手机上运行。Sundial 引入了（i）一种自适应分位数门控高度回归器，该回归器基于通过弱监督光线追踪得到的受建筑物轮廓限制的遮挡高度集的分位数摘要进行操作，以及（ii）一种用于定位的统一时空上下文编码。我们进一步研究了一种迭代的高度-定位优化方法，将这两个阶段连接起来。在五个 SenseMyCity 区域，Sundial 实现了在六张地球观测地图上，对于高度重建，平均绝对误差（MAE）为 3.41 至 6.04 米，并且对于超过 60 米高的建筑物，超过 90% 的绝对高度误差得以降低。在北京的部署中，与 DeepGPS 相比，定位平均绝对误差降低了 37.7%，实现了 0.688 至 0.785 米的平均绝对误差和 4.00 至 6.32 米的第 99 百分位误差。

① 设计并实现了多源数据的结构化建模方法，将异构的城市建筑几何、卫星信号和轨迹时序特征统一建模为固定大小的矩阵，使端到端学习成为可能。
② 构建了基于U-Net的深度网络架构，通过多模态特征融合和空间注意力以及通道注意力机制实现了对于候选单元置信度的生成。
③ 复现了DeepGPS等基准方法，设计并执行了全面的对比实验，同时构建了包括六种结构变体的消融实验以验证关键组件的贡献度。
④ 撰写论文中定位系统的数据建模方法、网络架构设计以及全面的实验评估章节。