CN109101902A - 一种基于无监督学习的卫星nlos信号检测方法 - Google Patents
一种基于无监督学习的卫星nlos信号检测方法 Download PDFInfo
- Publication number
- CN109101902A CN109101902A CN201810815396.3A CN201810815396A CN109101902A CN 109101902 A CN109101902 A CN 109101902A CN 201810815396 A CN201810815396 A CN 201810815396A CN 109101902 A CN109101902 A CN 109101902A
- Authority
- CN
- China
- Prior art keywords
- nlos
- signal
- satellite
- gnss
- data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于无监督学习的卫星NLOS信号检测方法,使用无监督学习对GNSS信号进行分类的关键是从GNSS原始观测数据中提取主要特征,综合考虑不同特征对于GNSS接收信号的影响,选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量;将三个特征值数据进行标准化处理;对每个特征值设定合适的权重,采用k‑means++聚类算法将观测数据划分为视线(LOS)、多径和NLOS三类;将NLOS信号分离后,进行GNSS定位。相较于有监督学习的分类方法,本发明简单有效、易于实现,且无需使用先验信息,能显著降低运算负荷和GNSS设备成本,并提高复杂环境下GNSS定位精度;与传统的阈值法以及RAIM算法相比较,该方法在改善定位的精度方面具有一定的优势。
Description
技术领域
本发明涉及机器学习在GNSS定位领域的应用,尤其是一种基于无监督学习的卫星NLOS信号检测方法。
背景技术
目前,多径效应和非视线(NLOS)信号是制约GNSS定位在复杂环境尤其是城市峡谷中应用的主要因素。随着无人驾驶技术和室外机器人的蓬勃发展以及人们对于低成本GNSS设备定位准确性和可靠性需求的增加,如何消除或抑制多径和NLOS信号对定位的影响成为当下GNSS领域研究的热点。多径通常包含视线(LOS)和反射/衍射信号,而NLOS只包含后者。由多径引起的伪距观测误差一般为米级,载波相位观测误差为厘米级。而NLOS信号接收造成的测距误差在密集城市地区可达数十米,通过远处高楼的反射则有可能会更大,甚至达到一公里以上。为了提高GNSS定位的准确性,应有效规避非视线(NLOS)信号,为此,许多学者对NLOS信号检测和缓解技术进行了研究,如双极化天线、先进接收机算法、传感器集成、三维建筑物模型等。由于真实空间环境的复杂性,一个完全鲁棒的GNSS信号分类算法并不存在,以上方法仍有改进的空间。
近年来,一些学者尝试利用机器学习来检测NLOS信号以增强GNSS的定位性能,取得了良好的效果。但都是基于监督学习的GNSS信号分类方法,需事先对学习样本进行标记,因此需要借助额外的硬件或软件。获取数据标签的方式通常有两种,一种是利用3D建筑模型,根据阴影匹配的方法,通过建筑边界预测卫星的可见度,或者采用射线追踪技术来估计NLOS信号的反射路径。该方法一方面受制于3D建筑模型的精度和同步更新,另一方面必须要给出接收机的准确位置才能获得正确的分类标签。此外,射线追踪造成的大量计算负荷以及实时3D建筑模型的不可获取,都限制了该方法在低成本接收机上的使用。另一种获取数据标签的方法是测量天际线轮廓,即利用加速度计和高清摄像头等硬件设备测量每个建筑角的方位角和高度角,具有较好的测量精度,但处理过程十分复杂且需要人工辅助标记。
无监督学习是一种对不含标记的数据建立模型的机器学习范式,已经广泛应用于数据挖掘、市场细分、医学影像、计算机视觉等领域。本发明提出一种基于无监督学习的GNSS信号分类方法,旨在提高GNSS设备在复杂环境下的定位精度,同时避免额外硬件或软件的使用,降低运算负荷和设备成本。
发明内容
本发明所要解决的技术问题在于,提供一种基于无监督学习的卫星NLOS信号检测方法,能够分离并剔除NLOS信号,并能解决复杂环境下非视线(NLOS)信号接收造成的GNSS定位精度恶化问题,从而显著提升定位精度。
为解决上述技术问题,本发明提供一种基于无监督学习的卫星NLOS信号检测方法,包括如下步骤:
(1)从GNSS原始观测数据中提取主要特征,综合考虑不同特征对于GNSS接收信号的影响,选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量;
(2)将三个特征值数据进行标准化处理;
(3)对每个特征值设定合适的权重,采用k-means++聚类算法将观测数据划分为视线LOS、多径和NLOS三类;
(4)将得到的NLOS标签数据剔除后,进行GNSS定位。
优选的,步骤(1)中,信噪比是使用最多的参数之一,高信噪比是很好的LOS检测指标;多系统融合后,可用观测卫星数量增加,观测冗余也大幅增加,伪距残差可以作为区分GNSS信号类别的指标;将卫星高度角作为辅助特征,在学习过程中予以降权处理;由于上述每一个特征对于NLOS信号都具有不确定性,且相互交叉,因此选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量来确定NLOS信号。
优选的,步骤(2)中,将三个特征值数据进行标准化处理具体为:数据处理后每个特征值符合标准正态分布。
优选的,步骤(3)中,采用k-means++聚类算法将观测数据划分为视线LOS、多径和NLOS三类,具体为:
对于给定的一组样本集S={x1,x2,...,xm},其中xm=[SNRm,vm,elem],为标准化信噪比、伪距残差和卫星高度角乘以相应的权重后组成的特征向量;
(31)从输入的样本集中随机选择一个样本作为第一个聚类中心;
(32)对于样本集中的每一个样本x,计算它与当前已有聚类中心之间的最短距离:
式中,n为已有聚类中心的序号;
(33)计算每个样本被选为下一个聚类中心的概率:
然后依据轮盘法选择出下一个聚类中心;
(34)重复(32)和(33)直到选择出k个聚类中心;
(37)对于剩下的样本,根据其聚类中心的距离,将其归入最近的簇;
(36)对每个簇,计算所有样本的均值作为新的聚类中心;
(37)重复步骤(35)和(36)直到聚类中心不再发生改变;
通过上述计算,得到全局最优解,将所有的GNSS信号都归类到视线LOS、多径和NLOS三类。
优选的,步骤(4)中,将得到的NLOS标签数据剔除后,进行GNSS定位,具体为:采用k-means++聚类算法,把观测数据划分为视线LOS、多径和NLOS三类,将其中属于NLOS标签的数据剔除,再进行GNSS定位。
本发明的有益效果为:本发明提出的一种基于无监督学习的卫星NLOS信号检测方法,能够分离并剔除NLOS信号,并能解决复杂环境下非视线(NLOS)信号接收造成的GNSS定位精度恶化问题,从而显著提升定位精度。相较于有监督学习的分类方法,该方法简单有效、易于实现,且无需使用先验信息,能显著降低运算负荷和GNSS设备成本。与传统的阈值法以及RAIM算法相比较,该方法在改善定位的精度方面具有一定的优势。
附图说明
图1为本发明的方法流程示意图。
图2为本发明实验所得不同集群信噪比概率分布图。
图3为本发明实验所得不同集群伪距残差概率分布图。
图4为本发明实验所得剔除NLOS数据前后定位误差时间序列图。
图5为本发明实验所得平面精度对比图。
图6为本发明实验所得不同信噪比阈值的定位精度对比图。
图7为本发明实验所得不同伪距残差阈值的定位精度对比图。
图8为本发明实验所得不同卫星高度截止角的定位精度对比图。
具体实施方式
如图1所示,一种基于无监督学习的卫星NLOS信号检测方法,包括如下步骤:
步骤(1),选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量,依据为:
信噪比。由信号传播理论可知,额外的传播和反射会增加GNSS信号的路径损耗,因此在削弱多径和NLOS信号对定位影响的方法中,信噪比是使用最多的参数之一,高信噪比是很好的LOS检测指标。
伪距残差。多系统融合后,可用观测卫星数量增加,观测冗余也大幅增加,此时,伪距残差可以作为区分GNSS信号类别的指标。
卫星高度角。通常认为卫星的高度角越大,该卫星是LOS的概率就越高,而在密集的城市环境中直接通过卫星高度角来判断信号是不是NLOS容易出现误判,还会损害卫星空间几何分布。本发明中,将卫星高度角作为辅助特征,在学习过程中予以降权处理。
由于上述每一个特征对于NLOS信号都具有不确定性,且相互交叉,因此选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量来确定NLOS信号。
步骤(2),将信噪比、伪距残差和卫星高度角这三个特征值数据进行标准化处理,具体为:
为了消除不同量纲对聚类结果的影响,对数据进行标准化,即数据处理后每个特征值符合标准正态分布。
步骤(3),对每个特征值设定合适的权重,采用k-means++聚类算法将观测数据划分为视线(LOS)、多径和NLOS三类,并对NLOS信号进行分离,包括以下步骤:
对于给定的一组样本集S={x1,x2,...,xm},其中xm=[SNRm,vm,elem],为标准化信噪比、伪距残差和卫星高度角乘以相应的权重后组成的特征向量。
①从输入的样本集中随机选择一个样本作为第一个聚类中心;
②对于样本集中的每一个样本x,计算它与当前已有聚类中心之间的最短距离:
式中,n为已有聚类中心的序号;
③计算每个样本被选为下一个聚类中心的概率:
然后依据轮盘法选择出下一个聚类中心;
④重复②和③直到选择出k个聚类中心;
⑤对于剩下的样本,根据其聚类中心的距离,将其归入最近的簇;
⑥对每个簇,计算所有样本的均值作为新的聚类中心;
⑦重复步骤⑤和⑥直到聚类中心不再发生改变。
通过上述计算,得到全局最优解,将所有的GNSS信号都归类到不同的集群。
步骤(4),将得到的NLOS标签数据剔除后,进行GNSS定位,具体为:
采用k-means++聚类算法,把观测数据划分为视线(LOS)、多径和NLOS三类,将其中属于NLOS标签的数据剔除,再进行GNSS定位。
为了验证信号分类方法的效果,实验采用GPS/北斗双系统观测数据,观测时间为2018年4月2日-3日共24小时9分30秒,采样率为30s。实验地点为东南大学四牌楼校区礼西楼顶,接收机板卡型号为Trimble BD970,天线类型为HX-CGX601A,天线的真实坐标已知。实验设备周围有高大树木和楼宇遮挡,因此天线所接收的卫星信号除直射信号之外,还包含非直射信号和多径信号。
为了将聚类结果对应到天线接收到的LOS、NLOS和多径三种不同的卫星信号,根据图2和图3描述的信噪比和伪距残差概率分布,可以判断标签0为LOS信号,标签1为多径信号,标签2为NLOS信号,对应的样本数量分别为20268、21284和8774,NLOS信号的数量占信号总量的17.4%,信号类别结果与真实观测环境较为符合。三种信号在伪距和信噪比等参数上面存在不同程度的重叠区域,这跟接收机天线性能相关,也和天线周围的环境有关,不能单纯依靠某一个特征参数来判定信号类别。本实验中,信噪比能有效地分离出LOS信号,但不能分离多径信号和NLOS信号,使用伪距残差有助于两者的分离。
卫星定位的精度与观测值的质量和卫星几何分布有着密切的关系,在剔除了NLOS数据后,重新进行GPS/BDS双系统伪距单点定位,并统计其定位精度。图4为剔除NLOS数据前后的定位误差对比,可以看出,在剔除NLOS后,东、北、天三个方向的定位精度都得到了明显的提升,只在某些较短的时段内定位精度有所下降,这应当与剔除NLOS后的卫星几何分布变差有关。两次定位实验的定位误差RMS值如表1所示,东、北、天三个方向的精度分别提升了37.8%、26.3%和11.0%,三维精度提升了13.81%。
表1静态环境下剔除NLOS数据后定位精度提升效果
此外,根据图5所示的平面精度(50%圆误差分别为1.290m和0.932m)对比可以看出,在剔除NLOS数据之前,伪距单点定位的结果较真值存在整体性偏移,而剔除NLOS之后的伪距单点定位结果向真值聚拢,表明NLOS信号会给定位带来一定程度的系统误差,正确地去除NLOS能够有效地缓解这种系统误差。
在NLOS和多径信号检测中,信噪比是一个常用的参数;当参与解算的卫星数增多时,伪距残差可以作为区分GNSS信号的指标;而卫星高度角也会从一定程度上反映信号的质量。因此针对不同高度截止角、伪距残差和信噪比阈值进行了伪距单点定位实验,用于和本发明提出的方法对比。图6-图8分别为采用不同信噪比、伪距残差阈值和卫星高度截止角进行伪距单点定位后的精度与本发明方法定位精度的对比。其中,伪距残差的中误差由整个数据集的伪距残差值计算得到。可以看到,除了伪距残差阈值设为3倍中误差时北方向的定位精度有小幅度提升(东方向和天方向的精度下降),其他组实验三个方向的精度较本发明所用方法全部下降。这表明传统的通过简单设置卫星高度截止角、信噪比阈值以及伪距残差阈值的方法并不能准确有效地分离出NLOS信号;同时,设置过高的阈值会造成参与解算的卫星数减少和卫星空间几何分布变差,导致定位精度迅速下降。而本发明所提出的方法,通过有效剔除观测值中的NLOS数据,在卫星数、PDOP值小幅变差的情况下仍然可以显著提高定位的精度。
本发明还基于最小二乘残差的RAIM算法进行了实验。对每个历元计算其验前残差的平方和,若超过对应自由度的χ2分布值(虚警率设为0.001),则删除该历元解算结果;否则,通过遍历剔除单颗卫星,选择残差平方和最小的解算值作为最终的定位结果。得到东、北、天三个方向的定位误差RMS值分别为1.318m、1.035m和3.776m,对比原始伪距单点定位实验的结果可以看到定位精度并没有得到明显改善。
机器学习算法对于学习样本的依赖性较大,当无法获得充足的代表性数据时,学习样本不够容易导致模型欠拟合,而过多的学习样本往往会造成过拟合,二者都会影响机器学习的效果。另一方面,针对GNSS双系统伪距单点定位的NLOS信号识别,过多的样本量不但会增加运算负担,还会影响定位应用的实时性,因此,为了选取合适的学习样本量,本发明分别对观测文件中1h、5h、10h、15h和20h的观测数据进行聚类分析,剔除NLOS数据后重新进行定位解算,并与原始伪距单点定位的精度进行对比,得到表2所示的结果。
表2采用不同时长观测数据进行聚类后定位精度对比
由表2可知,总体上随着学习样本量的增加,定位精度的提升呈现下降趋势,表明并不是样本量越多,NLOS信号的识别效果越好,过多的样本量有可能造成模型的过拟合,同时也会增加运算负荷;选择5h的数据量进行聚类后的定位精度提升最大,三维精度提升了36.99%,其次是1h的数据量,三维精度提升了30.22%。
衡量GNSS定位性能的一个重要指标是算法的实时性,因此,通过聚类获得NLOS信号识别模型后,能否利用该模型获得良好的实时定位精度也是本发明需要考虑的重要问题。表3为采用不同时长观测数据进行聚类后对后续时段进行实时定位的精度对比,结果表明,采用20h数据的聚类模型定位精度提升了13.78%,采用1h数据的聚类模型对定位精度提升了11.97%,但考虑到运算负荷以及后者对NLOS信号的预测时间长达23个小时,因此后者的聚类模型更能满足GNSS定位精度与实时性的要求。
表3采用不同时长观测数据进行聚类后实时定位精度对比
综合考虑定位精度和算法的实时性,选择1h的数据量作为学习样本进行聚类,便可实现很好的NLOS信号识别效果,并能提升定位精度,其中事后解算提升约30%,实时解算提升约12%,且不受时间限制。
为了验证本发明方法的普适性,还进行了一组车载动态测试。实验数据为GPS/北斗双系统观测数据,接收机型号为NovAtelProPak6,天线类型为HX-GPS500。测试时间为2016年12月7日下午,采集了共3小时8分钟27秒的观测数据,采样率为1s。测试场地为南京市区,场景包含林荫、隧道、城市峡谷、高架及少量开阔路段等。实验分为两个部分,第一部分对全部观测数据进行聚类,剔除NLOS数据后重新定位并与原始定位精度进行对比;第二部分挑选中山南路-中央路的典型城市峡谷路段进行相同的测试。
将定位结果与Inertial Explorer软件的GNSS/INS紧组合事后解算结果作差,计算得到表4和表5所示的定位误差RMS值。结果表明,对于动态环境,采用本发明方法也能有效剔除NLOS信号并提高定位精度,但提升幅度不如静态环境。此外,由两部分实验的结果可知,在保证捕获到足够多的卫星信号的前提下,环境越恶劣,定位精度的提升效果越好。在城市峡谷路段,东、北、天三个方向的定位精度较原始伪距单点定位分别提升了27.98%、8.06%和3.66%。这也说明了在动态环境下由于场景的变化,需要根据不同的场景训练不同的GNSS信号聚类模型。
表4动态环境下剔除NLOS数据后定位精度提升效果
表5城市峡谷路段剔除NLOS数据后定位精度提升效果
Claims (5)
1.一种基于无监督学习的卫星NLOS信号检测方法,其特征在于,包括如下步骤:
(1)从GNSS原始观测数据中提取主要特征,综合考虑不同特征对于GNSS接收信号的影响,选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量;
(2)将三个特征值数据进行标准化处理;
(3)对每个特征值设定合适的权重,采用k-means++聚类算法将观测数据划分为视线LOS、多径和NLOS三类;
(4)将得到的NLOS标签数据剔除后,进行GNSS定位。
2.如权利要求1所述的基于无监督学习的卫星NLOS信号检测方法,其特征在于,步骤(1)中,信噪比是使用最多的参数之一,高信噪比是很好的LOS检测指标;多系统融合后,可用观测卫星数量增加,观测冗余也大幅增加,伪距残差可以作为区分GNSS信号类别的指标;将卫星高度角作为辅助特征,在学习过程中予以降权处理;由于上述每一个特征对于NLOS信号都具有不确定性,且相互交叉,因此选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量来确定NLOS信号。
3.如权利要求1所述的基于无监督学习的卫星NLOS信号检测方法,其特征在于,步骤(2)中,将三个特征值数据进行标准化处理具体为:数据处理后每个特征值符合标准正态分布。
4.如权利要求1所述的基于无监督学习的卫星NLOS信号检测方法,其特征在于,步骤(3)中,采用k-means++聚类算法将观测数据划分为视线LOS、多径和NLOS三类,具体为:
对于给定的一组样本集S={x1,x2,...,xm},其中xm=[SNRm,vm,elem],为标准化信噪比、伪距残差和卫星高度角乘以相应的权重后组成的特征向量;
(31)从输入的样本集中随机选择一个样本作为第一个聚类中心;
(32)对于样本集中的每一个样本x,计算它与当前已有聚类中心之间的最短距离:
式中,n为已有聚类中心的序号;
(33)计算每个样本被选为下一个聚类中心的概率:
然后依据轮盘法选择出下一个聚类中心;
(34)重复(32)和(33)直到选择出k个聚类中心;
(36)对于剩下的样本,根据其聚类中心的距离,将其归入最近的簇;
(36)对每个簇,计算所有样本的均值作为新的聚类中心;
(37)重复步骤(35)和(36)直到聚类中心不再发生改变;
通过上述计算,得到全局最优解,将所有的GNSS信号都归类到视线LOS、多径和NLOS三类。
5.如权利要求1所述的基于无监督学习的卫星NLOS信号检测方法,其特征在于,步骤(4)中,将得到的NLOS标签数据剔除后,进行GNSS定位,具体为:采用k-means++聚类算法,把观测数据划分为视线LOS、多径和NLOS三类,将其中属于NLOS标签的数据剔除,再进行GNSS定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810815396.3A CN109101902A (zh) | 2018-07-24 | 2018-07-24 | 一种基于无监督学习的卫星nlos信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810815396.3A CN109101902A (zh) | 2018-07-24 | 2018-07-24 | 一种基于无监督学习的卫星nlos信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109101902A true CN109101902A (zh) | 2018-12-28 |
Family
ID=64847148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810815396.3A Pending CN109101902A (zh) | 2018-07-24 | 2018-07-24 | 一种基于无监督学习的卫星nlos信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101902A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722180A (zh) * | 2020-07-02 | 2020-09-29 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 |
CN111796263A (zh) * | 2020-07-01 | 2020-10-20 | 哈尔滨工业大学 | 一种基于5g基站信号的低空目标分布式测距方法 |
CN112034419A (zh) * | 2020-09-08 | 2020-12-04 | 北京邮电大学 | 一种用于5g定位的传播时延估计方法和装置 |
CN113031031A (zh) * | 2021-03-09 | 2021-06-25 | 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 |
CN113253306A (zh) * | 2021-06-07 | 2021-08-13 | 中国人民解放军国防科技大学 | 模拟gnss多径信道的方法及装置 |
CN113625319A (zh) * | 2021-06-22 | 2021-11-09 | 北京邮电大学 | 基于集成学习的非视距信号检测方法和装置 |
CN113671549A (zh) * | 2020-05-15 | 2021-11-19 | 深圳市时空导航科技有限公司 | 定位方法、装置、系统、电子设备及存储介质 |
CN115343745A (zh) * | 2021-07-30 | 2022-11-15 | 香港理工大学 | 三维激光雷达辅助的高精度卫星定位方法 |
CN116582174A (zh) * | 2023-07-13 | 2023-08-11 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星信号态势可视化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016034267A1 (de) * | 2014-09-06 | 2016-03-10 | Audi Ag | Verfahren und vorrichtung zur bewertung eines satellitensignals in einem globalen navigationssatellitensystem im hinblick auf einen mehrwegefehler |
CN107807368A (zh) * | 2016-09-09 | 2018-03-16 | 千寻位置网络有限公司 | 基于卫星观测量的定位方法和定位系统 |
CN107966724A (zh) * | 2017-11-27 | 2018-04-27 | 南京航空航天大学 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
-
2018
- 2018-07-24 CN CN201810815396.3A patent/CN109101902A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016034267A1 (de) * | 2014-09-06 | 2016-03-10 | Audi Ag | Verfahren und vorrichtung zur bewertung eines satellitensignals in einem globalen navigationssatellitensystem im hinblick auf einen mehrwegefehler |
CN106796295A (zh) * | 2014-09-06 | 2017-05-31 | 奥迪股份公司 | 用于在多路径误差方面评估全球导航卫星系统中的卫星信号的方法和装置 |
CN107807368A (zh) * | 2016-09-09 | 2018-03-16 | 千寻位置网络有限公司 | 基于卫星观测量的定位方法和定位系统 |
CN107966724A (zh) * | 2017-11-27 | 2018-04-27 | 南京航空航天大学 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
Non-Patent Citations (1)
Title |
---|
空字符(公众号:月来客栈): "K-means++算法思想", 《HTTPS://BLOG.CSDN.NET/THE_LASTEST/ARTICLE/DETAILS/78288955》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671549A (zh) * | 2020-05-15 | 2021-11-19 | 深圳市时空导航科技有限公司 | 定位方法、装置、系统、电子设备及存储介质 |
CN111796263A (zh) * | 2020-07-01 | 2020-10-20 | 哈尔滨工业大学 | 一种基于5g基站信号的低空目标分布式测距方法 |
CN111796263B (zh) * | 2020-07-01 | 2021-07-20 | 哈尔滨工业大学 | 一种基于5g基站信号的低空目标分布式测距方法 |
CN111722180B (zh) * | 2020-07-02 | 2021-08-13 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 |
CN111722180A (zh) * | 2020-07-02 | 2020-09-29 | 广东工业大学 | 一种基于卡尔曼滤波的室内行人定位方法、装置及系统 |
CN112034419A (zh) * | 2020-09-08 | 2020-12-04 | 北京邮电大学 | 一种用于5g定位的传播时延估计方法和装置 |
CN112034419B (zh) * | 2020-09-08 | 2024-02-06 | 北京邮电大学 | 一种用于5g定位的传播时延估计方法和装置 |
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 |
CN113031031A (zh) * | 2021-03-09 | 2021-06-25 | 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 |
CN113253306A (zh) * | 2021-06-07 | 2021-08-13 | 中国人民解放军国防科技大学 | 模拟gnss多径信道的方法及装置 |
CN113253306B (zh) * | 2021-06-07 | 2021-10-08 | 中国人民解放军国防科技大学 | 模拟gnss多径信道的方法及装置 |
CN113625319A (zh) * | 2021-06-22 | 2021-11-09 | 北京邮电大学 | 基于集成学习的非视距信号检测方法和装置 |
CN113625319B (zh) * | 2021-06-22 | 2023-12-05 | 北京邮电大学 | 基于集成学习的非视距信号检测方法和装置 |
CN115343745A (zh) * | 2021-07-30 | 2022-11-15 | 香港理工大学 | 三维激光雷达辅助的高精度卫星定位方法 |
CN116582174B (zh) * | 2023-07-13 | 2023-11-21 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星信号态势可视化方法及系统 |
CN116582174A (zh) * | 2023-07-13 | 2023-08-11 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星信号态势可视化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101902A (zh) | 一种基于无监督学习的卫星nlos信号检测方法 | |
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 | |
CN106908821B (zh) | 一种室内外无缝定位切换方法 | |
CN107621645B (zh) | 基于单接收机的欺骗干扰信号检测方法 | |
CN106646526B (zh) | 一种可同时检测识别多种故障的接收机自主完好性检测方法 | |
CN104808197B (zh) | 一种多监视源飞行目标并行跟踪处理方法 | |
CN108981559A (zh) | 基于北斗地基增强系统的实时变形监测方法及系统 | |
CN107392963B (zh) | 一种用于软式自主空中加油的仿鹰眼运动目标定位方法 | |
US20150241560A1 (en) | Apparatus and method for providing traffic control service | |
CN103759727B (zh) | 一种基于天空偏振光分布模式的导航定位方法 | |
CN106878666A (zh) | 基于监控摄像机来查找目标对象的方法、装置和系统 | |
CN101833099B (zh) | 直升机巡检电力线路的锁定跟踪方法 | |
CN104181561A (zh) | 一种接收机和卫星定位及测速方法 | |
CN103529458A (zh) | 卫星捕获方法及装置 | |
CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
CN110531383A (zh) | 一种卫星导航定位中异常卫星剔除方法 | |
CN108446324A (zh) | 一种基于长短时记忆网络lstm的gps数据重构方法 | |
Ren et al. | Movement pattern recognition assisted map matching for pedestrian/wheelchair navigation | |
CN112230247B (zh) | 一种用于城市复杂环境下gnss完好性监测方法 | |
CN111523392B (zh) | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 | |
CN109815773A (zh) | 一种基于视觉的低慢小航空器探测方法 | |
CN116953744A (zh) | 一种导航卫星非视距信号识别方法和导航卫星定位方法 | |
Tan et al. | GNSS data driven clustering method for railway environment scenarios classification | |
CN106093891A (zh) | 基于多普勒速度检验的雷达网抗密集距离假目标干扰方法 | |
CN112882068B (zh) | 基于多接收机的gnss抗欺骗干扰方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |