在没有GPS的环境中，由于动态网络拓扑造成的误差的时空耦合对协作定位构成了根本挑战，使得现有方法面临两难局面：追求全局优化的方法缺乏动态适应性，而专注于局部适应的方法则难以保证全局收敛。为了解决这一挑战，本文提出了ST-DCL，这是一种基于闭环时空解耦新原则的协作定位框架。ST-DCL的核心包含两个模块：动态加权多维缩放（DW-MDS）优化器，负责提供经过证明收敛的全局一致粗略估计，以及特别设计的时空图神经网络（ST-GNN）校正器，任务是补偿局部非线性误差。DW-MDS通过自适应滑动窗口和从我们的误差传播模型中得到的置信权重有效抑制历史误差的干扰。ST-GNN的关键创新在于其两个新设计的组件：动态拓扑注意模块，用于主动调节邻居聚合以抑制空间误差扩散，以及扩张因果卷积模块，用于建模长期时间依赖性以抑制误差积累。这两个模块通过置信反馈机制形成闭环，协同工作以实现持续的误差抑制。理论分析表明，该框架在动态拓扑下表现出有界误差收敛。在涉及200个节点、速度高达50米/秒和15%非视距链接的仿真中，ST-DCL达到了0.0068的归一化均方根误差（NRMSE），相比于最先进的方法提升了21%的性能。通过在复杂、无GPS场景下与10架无人机群进行的实际飞行实验，进一步验证了其实用效率和实时能力.
Wu等（周）研究了这一问题。