Robust GNSS Positioning via Variational Bayesian Factor Graph Optimization With Dirichlet Process Mixture Models

Zhenhua Yang

doi:10.1109/twc.2026.3715460

2026-07-28

PRE

Zhenhua Yang

Yongqing Wang

Yuyao Shen

DOI：10.1109/twc.2026.3715460

原文链接

原文求助

摘要

En 中文

因子图优化（FGO）被广泛应用于全球导航卫星系统（GNSS）定位；然而，在由非视距（NLOS）传播和多径干扰引起的非高斯噪声下，其性能严重下降。传统的FGO方法依赖高斯假设，无法捕捉重尾、偏斜和多模态噪声特性。现有的概率方法存在若干局限性，包括缺乏贝叶斯分层或无限混合建模的统一框架，以及对异常GNSS测量中的异质噪声和时间相关性忽略。为克服这些问题，本文提出了一种鲁棒的变分FGO方法用于GNSS定位，结合了狄利克雷进程混合模型（DPMM）与变分贝叶斯（VB）推理。一种非参数无限混合噪声模型自适应学习实际噪声分布，无需依赖预定义的混合分布。异质噪声通过将DPMM分量映射到不同卫星和测量值来明确表征，同时引入时间约束以捕捉持续的NLOS和多径效应。一个深度耦合的VB-FGO框架通过闭式更新（兼容当前先进求解器）实现GNSS状态和潜在噪声变量的联合迭代估计。利用仿真数据和开源UrbanNav数据集获得的实验结果表明，所提出的方法在复杂非高斯噪声条件下的定位精度优于现有的鲁棒卡尔曼滤波器和FGO基方法，从而为复杂场景下的鲁棒GNSS定位提供了有效框架。

Keyword:

GNSS positioning

robust factor graph optimization

Dirichlet process mixture models

variational Bayesian inference

non-Gaussian noise

state estimation