[论文解读] Review of Factor Graphs for Robust GNSS Applications

Shounak Das, Ryan J. Watson+1 more|arXiv (Cornell University)|Dec 14, 2021

Indoor and Outdoor Localization Technologies被引用 10

一句话总结

本文将因子图视为一种稳健的GNSS定位框架，通过迭代稀疏优化和鲁棒代价函数，在城市环境中展示了其相对于传统EKF方法的优越性。结果表明，因子图通过重新加权过去和当前观测，能够更好地处理多径误差和异常值测量，且借助增量平滑（如iSAM2）可实现实时性能。

ABSTRACT

Factor graphs have recently emerged as an alternative solution method for GNSS positioning. In this article, we review how factor graphs are implemented in GNSS, some of their advantages over Kalman Filters, and their importance in making positioning solutions more robust to degraded measurements. We also talk about how factor graphs can be an important tool for the field radio-navigation community.

研究动机与目标

• 评估因子图相较于传统卡尔曼滤波在复杂环境中的GNSS定位优势。
• 展示因子图如何通过动态重加权测量，提升对多径和异常值的鲁棒性。
• 证明增量平滑方法（如iSAM2）使因子图在实时GNSS应用中具备可行性。
• 倡导在GNSS和无线电导航中采用因子图，以实现与其他传感器及机会信号的更紧密集成。
• 强调鲁棒估计技术（如GNC和M-估计器）在因子图中对缓解GNSS观测中的非高斯误差所起的作用。

提出的方法

• 将GNSS状态估计建模为最大后验概率（MAP）问题，采用包含变量节点（如位置、钟 bias）和因子节点（如GNSS测量）的二分图结构。
• 将估计问题表述为非线性代价函数的优化，该代价函数由局部概率约束组成，通过高斯-牛顿或列文伯格-马奎特（Levenberg–Marquardt）方法求解。
• 通过M-估计器应用鲁棒代价函数（如Huber、Cauchy、Laplace），以降低异常值和多径误差对GNSS测量的影响。
• 利用渐进非凸性（GNC）框架最小化非凸鲁棒代价函数，避免陷入局部极小值，将问题重述为加权最小二乘框架。
• 通过iSAM2和贝叶斯树结构实现增量平滑，仅在新测量到达后更新相关团块，从而保持实时性能。
• 利用信息矩阵和雅可比矩阵中的稀疏性，实现高效的矩阵分解与回代，支持可扩展的优化。

实验结果

研究问题

• RQ1 在城市GNSS环境中，因子图优化与EKF在定位精度和鲁棒性方面相比如何？
• RQ2 M-估计器和GNC等鲁棒估计技术能否有效集成到GNSS因子图中，以缓解多径和测量异常值？
• RQ3 因子图优化的批量性质在多大程度上改善了历元间的时间相关性，相较于标准卡尔曼滤波？
• RQ4 iSAM2等增量平滑方法如何在保持实时性能的同时，实现对GNSS因子图中过去状态的重新优化？
• RQ5 采用因子图为GNSS与其他传感器及机会信号（如蜂窝基站、低地球轨道卫星）的集成带来哪些优势？

主要发现

• 在城市环境中，因子图通过更好地利用时间相关性并实现非线性模型的迭代线性化，优于标准EKF。
• 在因子图中应用Huber和Cauchy等鲁棒代价函数，可显著降低多径误差和异常值对GNSS测量的影响。
• GNC与M-估计器的集成实现了迭代非凸优化，避免局部极小值，并将问题转化为加权最小二乘框架。
• iSAM2通过仅更新状态空间的子集，实现增量平滑，使因子图在高动态GNSS应用中具备实时性能。
• 谷歌智能手机分米挑战赛的优胜方案采用了因子图框架，证明其在真实世界多环境GNSS场景中的实际优越性。
• 因子图支持对过去测量的动态重加权，甚至在后续识别为异常值时将其移除——这是标准卡尔曼滤波无法实现的。