知的交通システムの発展において、作業区域の正確なジオメトリ認識は極めて重要です。超広帯域（UWB）センシングは、インフラを活用した低コストの再構成アプローチとして注目されていますが、屋外でのUWB測距は非見通し伝播、バースト性ノイズ、ロングテール誤差によって劣化しやすく、これが下流の空間再構成を歪める問題があります。 こうした課題に対応するため、研究チームはGAIAと呼ばれるジオメトリ認識型インフラ固定学習フレームワークを提案しました。GAIAは時間的な距離モデリングと潜在的なアンカーレイアウト推定、決定論的距離投影を組み合わせたアプローチです。距離デノイジングを教師あり学習タスクとして保持しながら、学習された距離を境界整合性のある再構成に向けて指向させるのが特徴です。 評価実験では、同期化されたUWB、GNSS、IMUの測定値を含む実世界の屋外UWBデータセットを使用し、さらに実データで較正されたストレステスト用シミュレーターを用いてロバスト性をテストしました。その結果、GAIAは評価対象のフィルタリングベースおよび学習ベースのベースラインの中で最も低い全体的な距離MSEと最高のポリゴンIoUを達成し、MSEを18.4%削減し、PoseMLP比でポリゴンIoUを15.5%向上させました。これらの結果は、ジオメトリ認識型距離デノイジングが空間的に一貫性のある作業区域再構成への有効な道を提供することを示しています。