CN107966724B - 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 - Google Patents
一种基于3d城市模型辅助的城市峡谷内卫星定位方法 Download PDFInfo
- Publication number
- CN107966724B CN107966724B CN201711203451.5A CN201711203451A CN107966724B CN 107966724 B CN107966724 B CN 107966724B CN 201711203451 A CN201711203451 A CN 201711203451A CN 107966724 B CN107966724 B CN 107966724B
- Authority
- CN
- China
- Prior art keywords
- signal
- pseudorange
- position candidate
- city model
- satellite
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000003066 decision tree Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims description 18
- 238000005266 casting Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于3D城市模型辅助的城市峡谷内卫星定位方法，属于卫星定位导航的技术领域。该方法在不同场景下采集数据生成历史训练数据集并消除临界信号，通过决策树生成可靠的卫星信号接收类型判断法则，通过比较候选位置接收信号类型的反演结果及判断法则预测结果筛选候选位置，采用基于伪距相似度的方法修正多路径、非视距接收信号造成的误差后确定最终定位结果，提高了城市峡谷中卫星定位的精度。
Description
技术领域
本发明公开了一种基于3D城市模型辅助的城市峡谷内卫星定位方法，属于卫星定位导航的技术领域。
背景技术
全球导航卫星系统（GNSS, Global Navigation Satellite System）作为车辆导航系统的核心部件，可以实时获取车辆位置和动态信息，然而，在城市峡谷环境中，由于受到高楼、立交桥和树木等影响，其导航系统的精度、可靠性仍然存在一定问题。
在GNSS信号未被遮挡的情况下，接收到的信号为视距接收（LOS ,Line-of-Sight）。然而，由于城市环境建筑物稠密，GNSS受到多路径效应的影响较为严重，多路径效应可以分为多路径干扰（MI, Multipath Interference）和非视距接收(NLOS, Non-Line-of-Sight)，两者都会对GNSS定位精度产生影响，尤其是NLOS在伪距单点定位中可能产生近百米的定位误差（MacGougan et al.,2002）。因此在GNSS定位中，对多径信号（包括MI和NLOS）进行处理从而提高定位精度是非常重要的。
武汉大学的张波等针对多路径误差非时空相关的特点，采用观测值的信噪比来评价观测值质量，通过减小受多路径效应影响的观测值的权重从而削弱多路径误差对定位结果的影响，该法在有多径效应存在的时段可以得到可靠性较好的基线解算结果。清华大学的陈强等针对当前接收机多径抑制的方法中存在的鲁棒性差、计算量大、多径效应抑制效果不理想等问题，将粒子滤波算法应用到多径抑制中，提出了一种新的考虑了码多普勒的状态转移方程，得到了比传统的窄相关方法更高的估计精度。Axelrad等针对载波相位多路径问题，提出了一种通过SNR信息来校正差分相位观测中的多径误差的技术，较好地降低了低频多径的影响。Meguro等提出了使用全向红外照像机来缓解城市环境下多径影响的方法，该法排除了受多径干扰较大的卫星，定位精度高，可靠性好；Groves等提出了一种名为阴影匹配（Shadow Matching）的方法，该法通过3D城市模型来预测卫星可见性，然后与测量的卫星可见度进行比较以确定位置，提高了在城市环境中的定位精度；Miura等提出了一种基于三维城市模型和射线跟踪的定位方法，该方法能够成功地估计卫星信号的反射和直射路径，具有较好的定位精度。
总体来说，目前在 GNSS 定位中，对多路径信号（包括MI和NLOS）的处理技术主要包括：基于天线技术或天线阵列的NLOS和MI的排除，基于每颗GPS卫星信号的信噪比(SNR)频谱分析的多路径检测和消除，利用接收机完好性监测（RAIM）的多路径信号排除，基于摄像机和城市环境辅助的NLOS卫星排除算法，基于GIS中高程信息或3D城市模型的MI和NLOS卫星排除算法，利用3D地图信息对检测到的MI和NLOS信号进行修正并结合健康信号进行定位解算。
尽管目前城市多路径环境中的GNSS定位方法都取得了一定的成果，但是大都采用了高性能接收机和天线，由于其体积庞大、计算复杂度高，在车载应用中成本较高，不利于商业推广。而且，由于目前卫星覆盖尚不全面，在城市峡谷等特殊环境下，直接在定位解算中排除NLOS信号的方法会导致本来就不充足的可用卫星数目减少、水平精度因子（HDOP）形变、车辆过街方向(Cross-Street)的误差显著增加，不但严重影响对车辆所在车道的定位，甚至还可能由于卫星颗数不足导致无法定位。
近年来，基于低成本车载GNSS接收模块并利用3D地图信息和射线追踪技术（Ray-tracing）对实时位置信息生成反演的模拟伪距观测信息，通过结合模拟和实际观测的伪距来进行定位解算的方法可以避免卫星可用性的降低，同时可以有效地利用MI和NLOS卫星，在城市定位中表现出巨大的潜力。但在当前 3D 城市模型辅助的GNSS多路径误差修正算法中，卫星信号接收类型判断算法的准确性不足、可靠性低，多路径信号修正模型计算效率和定位性能有待提高。因此，如何充分利用载噪比、伪距残差、卫星仰角和城市环境等综合相关信息，挖掘可靠的卫星信号接收类型判断法则，构建 3D 城市模型辅助下基于伪距评估的多路径误差评估修复模型，提高城市峡谷中的GNSS导航性能是急需解决的关键问题。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了一种基于3D城市模型辅助的城市峡谷内卫星定位方法，实现了卫星接收信号类型判断法则的可靠挖掘，解决了当前3D 城市模型辅助的 GNSS 多路径误差修正算法中卫星信号接收类型状态判断算法的准确性不足、可靠性低，多路径信号修正模型的计算效率和定位性能有待提高等技术问题。
本发明为实现上述发明目的采用如下技术方案：
基于3D城市模型辅助的城市峡谷内卫星定位方法，采集不同场景下的综合信息评价指标构成历史训练数据集，将基站处采集的数据标记为LOS信号，采用射线追踪法并结合3D城市模型区分城市峡谷中采集的历史训练数据集中的NLOS信号和MI信号，剔除3D城市模型边界上的历史训练数据得到预处理后的历史训练数据集，对预处理后的历史训练数据集中的LOS信号、NLOS信号、MI信号进行标记，采用决策树挖掘LOS信号、NLOS信号、MI信号的特征来抽取接收信号类型的判断法则，根据新接收的观测数据计算初始位置及候选位置，通过射线追踪法和3D城市模型反演生成候选位置的信号接收类型，再反演出候选位置的模拟伪距，同时运用先前抽取的接收信号类型的判断法则预测实际的信号接收类型，对比实际的信号接收类型的预测结果和候选位置信号接收类型的反演结果，筛选出两者一致的候选位置，根据筛选出的候选位置模拟伪距和真实伪距的相似度给筛选出的候选位置定权，对筛选出的候选位置进行加权计算进而确定最终的位置信息。
作为基于3D城市模型辅助的城市峡谷内卫星定位方法的进一步优化方案，根据新接收的观测数据中的真实伪距信息计算出初始位置和接收机钟差，结合车道约束信息、车辆运动状态信息生成符合二维高斯分布的候选位置。
作为基于3D城市模型辅助的城市峡谷内卫星定位方法的进一步优化方案，3D城市模型边界通过设置阈值划定，该阈值为使定位精度最高的3D城市模型边界数值。
作为基于3D城市模型辅助的城市峡谷内卫星定位方法的进一步优化方案，反演出候选位置的模拟伪距的方法为：根据卫星的星历信息计算候选位置到卫星的直线距离，根据候选位置信号接收类型的反演结果计算多径信号（包括MI和NLOS）造成的延迟，累加候选位置到卫星的直线距离、多径信号（包括MI和NLOS）造成的延迟、接收机时钟差，修正卫星钟差、电离层误差、对流层误差后得候选位置的模拟伪距。
作为基于3D城市模型辅助的城市峡谷内卫星定位方法的进一步优化方案，筛选出的候选位置模拟伪距和真实伪距的相似度通过似然函数求得，似然函数根据筛选出的候选位置模拟伪距和真实伪距之差的平均值构建。
作为基于3D城市模型辅助的城市峡谷内卫星定位方法的进一步优化方案，综合信息评价指标包含：信号载噪比、伪距残差、卫星仰角、城市建筑类别、区域密度、楼高状况、路宽特征。
本发明采用上述技术方案，具有以下有益效果：本发明在不同场景下采集数据生成历史训练数据集，并消除临界信号，通过决策树生成可靠的卫星信号接收类型判断法则，通过比较候选位置接收信号类型的反演结果及判断法则预测的实际的信号接收类型筛选候选位置，再通过基于伪距相似度的方法修正MI信号、NLOS信号造成的误差后确定最终定位结果，提高了城市峡谷中卫星定位的精度。
附图说明
图1为基于3D城市模型辅助的城市峡谷内卫星定位方法的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
基于3D城市模型辅助的城市峡谷内卫星定位方法的具体方案如图1所示，包括如下六个步骤。
（一）抽取接收信号类型的判断法则
在不同场景下（空旷地带、城市峡谷）采集数据构建历史训练数据集，即由信号载噪比、伪距残差、卫星仰角及城市建筑类别、区域密度、楼高状况、路宽特征等综合信息评价指标构成历史训练数据集；将从位于空旷地带的基站处采集的数据标记为LOS；对于在建筑密集的“城市峡谷”中采集的数据，通过3D城市模型和射线追踪判断卫星接收信号类型，并标记为NLOS或MI；利用决策树模型对具有LOS/NLOS/MI标签的历史训练数据集进行挖掘生成接收信号类型的判断法则。然后对新接收到的观测数据，利用先前生成的判断法则进行判断，获取综合信息评价指标下接收到的每颗卫星可见状态的概率模型。对新接收的观测数据，采用抽取出的接收信号类型判断法则进行预测得到实际的接收信号类型。
（二）建立临界信号剔除模型
考虑到构建3D城市模型产生的误差导致临界信号接收类型误判，构建基于楼宇特性的动态3D城市模型，建立临界信号剔除模型对建筑边界划定阈值进而实现对临界信号的准确判断，在对历史训练数据集进行标记时，将检测为临界信号的数据剔除，该阈值需要通过试验确定，即运用本文的方法对一组已知位置的点进行定位，在分析处理过程中调整边界阈值并观察边界阈值对定位精度的影响，即，通过多次实验不断调整边界阈值直到找到能使定位精度最高的边界阈值，之后在实际使用本文的定位方法时，可直接使用该边界阈值对3D城市模型进行修正。
（三）生成候选位置
根据接收机所接收的真实伪距信息计算出初始位置和接收机钟差，结合车道约束、车辆运动状态等综合约束并顾及计算效率和定位性能生成一定数量的候选位置，分别以初始位置和上一时刻的最终位置为中心在合理的半径范围内生成相同数量的候选位置，候选位置符合二维高斯分布，开始时刻仅以该时刻的初始位置为中心生成候选位置。
（四）反演候选位置的信号接收类型及模拟伪距
根据卫星观测信息计算每个候选位置到卫星的直线距离；结合3D城市模型并利用射线追踪法反演出候选位置的信号接收类型，并根据候选位置信号接收类型的反演结果计算出多径信号（包括MI和NLOS）造成的延迟；将每个候选位置到卫星的直线距离、多径信号（包括MI和NLOS）造成的延迟与上一步获得的接收机钟差求和，并根据星历修正卫星钟差，通过Klobuchar模型修正电离层误差，使用Saastamoinen模型修正对流层误差，以得到候选位置的模拟伪距。
（五）筛选候选位置
使用抽取的信号接收类型判断法则判断实际的信号接收类型，并与上一步通过3D城市模型和射线追踪法反演的候选位置信号接收类型进行对比，剔除判断结果不同的候选位置。
（六）分析伪距相似度并计算最终位置
对于满足要求的每一个候选位置，计算其到每一颗卫星的模拟伪距和真实伪距之差并取平均值，利用该平均值构建似然函数并分析模拟伪距和真实伪距的相似度，根据相似度大小来为每一个候选位置分配权重，并根据这个权重对候选位置进行加权平均以得出最终位置信息。
综上，本发明在不同场景下采集数据生成历史训练数据集，并消除临界信号，通过决策树生成可靠的卫星信号接收类型判断法则，通过比较候选位置接收信号类型的反演结果及判断法则预测的实际接收到的信号接收类型筛选候选位置，再通过基于伪距相似度的方法修正MI、NLOS信号造成的误差后确定最终定位结果，提高了城市峡谷中卫星定位的精度。
Claims (9)
1.一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，采集不同场景下的综合信息评价指标构成历史训练数据集，对历史训练数据集进行基于3D城市模型、射线追踪法的分类及临界数据剔除的预处理，从预处理后的历史训练数据集中挖掘LOS信号、NLOS信号、MI信号的特征以抽取接收信号类型的判断法则，根据新接收的观测数据计算初始位置及候选位置，根据3D城市模型、射线追踪法先反演候选位置的信号接收类型后反演候选位置的模拟伪距，同时对比接收信号类型的判断法则预测的实际的信号接收类型，筛选出与实际的信号接收类型相同的候选位置，根据筛选出的候选位置模拟伪距和真实伪距的相似度确定最终的位置信息。
2.根据权利要求1所述一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，对历史训练数据集进行基于3D城市模型、射线追踪法的分类及临界数据剔除的预处理的具体方法为：采用射线追踪法并结合3D城市模型区分历史训练数据集中的NLOS信号和MI信号，剔除3D城市模型边界上的历史训练数据得到预处理后的历史训练数据集。
3.根据权利要求1所述一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，从预处理后的历史训练数据集中挖掘LOS信号、NLOS信号、MI信号的特征以抽取接收信号类型的判断法则的具体方法为：对预处理后的历史训练数据集中的LOS信号、NLOS信号、MI信号进行标记，采用决策树挖掘LOS信号、NLOS信号、MI信号的特征以生成接收信号类型的判断法则。
4.根据权利要求1所述一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，根据新接收的观测数据计算初始位置及候选位置的具体方法为：根据新接收的观测数据中的真实伪距信息计算出初始位置和接收机钟差，结合车道约束信息、车辆运动状态信息生成符合二维高斯分布的候选位置。
5.根据权利要求1所述一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，采用如下方法反演候选位置的模拟伪距：根据卫星的观测信息计算候选位置到卫星的直线距离，根据候选位置信号接收类型的反演结果计算多径信号造成的延迟，累加候选位置到卫星的直线距离、多径信号造成的延迟、接收机时钟差，修正卫星钟差、电离层误差、对流层误差后得候选位置的模拟伪距。
6.根据权利要求1所述一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，根据筛选出的候选位置模拟伪距和真实伪距的相似度确定最终的位置信息的具体方法为：根据筛选出的候选位置模拟伪距和真实伪距的相似度给筛选出的候选位置定权，对筛选出的候选位置的进行加权计算进而确定最终的位置信息。
7.根据权利要求2所述一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，所述3D城市模型边界通过设置阈值划定，该阈值为使定位精度最高的3D城市模型边界数值。
8.根据权利要求6所述一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，筛选出的候选位置模拟伪距和真实伪距的相似度通过似然函数求得，似然函数根据筛选出的候选位置模拟伪距和真实伪距之差的平均值构建。
9.根据权利要求1至8中任意一项所述一种基于3D城市模型辅助的城市峡谷内卫星定位方法，其特征在于，所述综合信息评价指标包含：信号载噪比、伪距残差、卫星仰角、城市建筑类别、区域密度、楼高状况、路宽特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711203451.5A CN107966724B (zh) | 2017-11-27 | 2017-11-27 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711203451.5A CN107966724B (zh) | 2017-11-27 | 2017-11-27 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107966724A CN107966724A (zh) | 2018-04-27 |
| CN107966724B true CN107966724B (zh) | 2019-06-14 |
Family
ID=61998895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711203451.5A Active CN107966724B (zh) | 2017-11-27 | 2017-11-27 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107966724B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018209432A1 (de) * | 2018-06-13 | 2019-12-19 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Bestimmen einer Position eines mobilen Objekts |
| CN109101902A (zh) * | 2018-07-24 | 2018-12-28 | 东南大学 | 一种基于无监督学习的卫星nlos信号检测方法 |
| US11651244B2 (en) * | 2018-10-04 | 2023-05-16 | Here Global B.V. | Method and apparatus for predicting sensor error |
| CN109613571B (zh) * | 2018-10-26 | 2020-02-18 | 南京航空航天大学 | 一种基于双极化天线的城市峡谷内卫星定位方法 |
| CN109543245B (zh) * | 2018-10-31 | 2021-08-10 | 百度在线网络技术（北京）有限公司 | 无人车应对能力边界信息确定方法、装置和电子设备 |
| CN111198389B (zh) * | 2018-11-19 | 2022-04-22 | 华为技术有限公司 | 一种定位方法及电子设备 |
| CN111221011B (zh) * | 2018-11-26 | 2022-04-19 | 千寻位置网络有限公司 | 基于机器学习的gnss定位方法及装置 |
| CN109813306A (zh) * | 2019-01-17 | 2019-05-28 | 李子月 | 一种无人车规划轨迹卫星定位数据可信度计算方法 |
| US20200233094A1 (en) * | 2019-01-23 | 2020-07-23 | GM Global Technology Operations LLC | System and method for positioning in urban canyons |
| CN111624630B (zh) * | 2019-02-28 | 2022-02-22 | 腾讯大地通途（北京）科技有限公司 | 基于gnss的选星方法、装置、终端及存储介质 |
| CN109945870B (zh) * | 2019-03-11 | 2022-12-06 | 东南大学 | 一种伪距观测值和载噪比融合的伪卫星室内定位方法 |
| CN110133683B (zh) * | 2019-05-20 | 2020-05-08 | 北京奥特贝睿科技有限公司 | 一种基于物理的卫星定位模拟方法 |
| CN112444829B (zh) * | 2019-08-29 | 2024-04-12 | 华为技术有限公司 | Gnss选星方法、装置、芯片、设备及存储介质 |
| CN112444834A (zh) | 2019-08-29 | 2021-03-05 | 华为技术有限公司 | 一种定位方法及电子设备 |
| CN110926474B (zh) * | 2019-11-28 | 2021-09-03 | 南京航空航天大学 | 卫星/视觉/激光组合的城市峡谷环境uav定位导航方法 |
| CN111856526B (zh) * | 2020-07-24 | 2022-04-08 | 上海交通大学 | 非直达径卫星导航信号识别方法、系统及介质 |
| US11702107B2 (en) * | 2020-09-28 | 2023-07-18 | GM Global Technology Operations LLC | Method and system for satellite performance for navigating a mobile platform in an environment using onboard perception |
| CN112666588B (zh) * | 2020-11-06 | 2021-10-22 | 南京航空航天大学 | 一种城市峡谷环境下基于景象匹配与机器学习的定位方法 |
| CN112731481B (zh) * | 2020-11-19 | 2023-06-16 | 中国科学院深圳先进技术研究院 | 一种定位优化方法、系统及其应用 |
| CN113031031B (zh) * | 2021-03-09 | 2024-02-02 | 南京航空航天大学 | 一种城市峡谷内基于gnss信号精确分类的加权定位方法 |
| CN113031041B (zh) * | 2021-03-11 | 2022-06-10 | 南京航空航天大学 | 一种基于天际线匹配的城市峡谷组合导航定位方法 |
| CN113504553B (zh) * | 2021-06-29 | 2024-03-29 | 南京航空航天大学 | 一种城市峡谷内基于精确3d城市模型的gnss定位方法 |
| CN117092672A (zh) * | 2022-05-13 | 2023-11-21 | 腾讯科技（深圳）有限公司 | 一种定位方法以及相关装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105652292A (zh) * | 2014-11-19 | 2016-06-08 | 香港理工大学 | 一种gps多径效应改正定位方法和系统 |
| CN107193016A (zh) * | 2017-04-06 | 2017-09-22 | 广州中硕云空间信息技术有限公司 | 一种城市gnss导航质量评估和预测的方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9562976B2 (en) * | 2013-07-31 | 2017-02-07 | Broadcom Corporation | Method and apparatus for distinguishing direct GNSS signals from reflections |
| US9611057B2 (en) * | 2015-03-24 | 2017-04-04 | Elwha Llc | Systems, methods and devices for satellite navigation |
-
2017
- 2017-11-27 CN CN201711203451.5A patent/CN107966724B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105652292A (zh) * | 2014-11-19 | 2016-06-08 | 香港理工大学 | 一种gps多径效应改正定位方法和系统 |
| CN107193016A (zh) * | 2017-04-06 | 2017-09-22 | 广州中硕云空间信息技术有限公司 | 一种城市gnss导航质量评估和预测的方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 3D-mapping-aided gnss localization for integrity monitoring in urban environments;Nabil Kbayer 等;《2017 14th International Multi-Conference on Systems, Signals & Devices (SSD)》;20170331;全文 |
| 城市峡谷环境下GNSS卫星可见性快速预测方法;蔡熙 等;《北京理工大学学报》;20170630;第37卷(第6期);全文 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107966724A (zh) | 2018-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107966724B (zh) | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 | |
| Wang et al. | Smartphone shadow matching for better cross-street GNSS positioning in urban environments | |
| Sun et al. | Improving GPS code phase positioning accuracy in urban environments using machine learning | |
| Sun et al. | GPS signal reception classification using adaptive neuro-fuzzy inference system | |
| CN103592658A (zh) | 多模卫星导航系统中基于选星算法的raim新方法 | |
| Zhang et al. | Extending shadow matching to tightly-coupled GNSS/INS integration system | |
| Groves et al. | Shadow matching: Improved GNSS accuracy in urban canyons | |
| Ng et al. | Robust GNSS shadow matching for smartphones in urban canyons | |
| CN108076662A (zh) | 具有使用未组合公式来解算模糊度的能力的gnss接收机 | |
| CN112666588B (zh) | 一种城市峡谷环境下基于景象匹配与机器学习的定位方法 | |
| CN103592657A (zh) | 一种基于钟差辅助的低可见星下单模raim实现方法 | |
| CN113031031B (zh) | 一种城市峡谷内基于gnss信号精确分类的加权定位方法 | |
| CN103616700A (zh) | 接收机和接收机评估所处环境的卫星信号遮挡状况的方法 | |
| CN109541656A (zh) | 一种定位方法及装置 | |
| Zhang et al. | GNSS shadow matching based on intelligent LOS/NLOS classifier | |
| Sun et al. | An integrated urban positioning algorithm using matching, particle swam optimized adaptive neuro fuzzy inference system and a spatial city model | |
| CN113376675A (zh) | 一种基于GNSS/视觉/Lidar融合的城市峡谷定位方法 | |
| CN115685260A (zh) | Gls基准站的识别欺骗干扰识别方法、装置、平台和介质 | |
| CN109613571A (zh) | 一种基于双极化天线的城市峡谷内卫星定位方法 | |
| AU2020205318A1 (en) | Reliability determination of location updates in multipath environments | |
| Ziedan | Integrating GNSS signal tracking and map-matching for reflected and diffracted signals mitigation in urban environments | |
| Adjrad et al. | 3D-mapping-aided GNSS exploiting Galileo for better accuracy in dense urban environments | |
| Marais et al. | Multipath and NLOS detection based on the combination of CN0 values and a fish-eye camera | |
| Lv et al. | Research on shadow matching algorithm based on consistency probability weighting | |
| Peyret et al. | How to improve GNSS positioning Quality of Service for demanding ITS in city environments by using 3D digital maps |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |