CN110927748A - 一种基于稀疏估计的gnss定位多径缓解方法 - Google Patents

一种基于稀疏估计的gnss定位多径缓解方法 Download PDF

Info

Publication number
CN110927748A
CN110927748A CN201911230120.XA CN201911230120A CN110927748A CN 110927748 A CN110927748 A CN 110927748A CN 201911230120 A CN201911230120 A CN 201911230120A CN 110927748 A CN110927748 A CN 110927748A
Authority
CN
China
Prior art keywords
vector
sparse
matrix
formula
lasso
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
Application number
CN201911230120.XA
Other languages
English (en)
Inventor
李灯熬
赵菊敏
侯宁宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201911230120.XA priority Critical patent/CN110927748A/zh
Publication of CN110927748A publication Critical patent/CN110927748A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S19/00Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13Receivers
    • G01S19/22Multipath-related issues

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明一种基于稀疏估计的GNSS定位多径缓解方法,属于导航定位技术领域,目的是利用稀疏估计理论来估计这些偏差,同时显著降低计算复杂度;本发明是将MP信号对GNSS测量的影响建模为加性偏差,然后估计这些偏差并从GNSS测量中减去这些偏差以减轻MP效应。相对于较接近的粒子滤波器的顺序蒙特卡罗方法,本发明计算量明显减小,本发明利用稀疏估计理论来估计这些偏差,同时显著降低计算复杂度。

Description

一种基于稀疏估计的GNSS定位多径缓解方法
技术领域
本发明属于导航定位技术领域,涉及GNSS导航系统中的定位方法,具体涉及一种基于稀疏估计理论来减轻多径在GNSS导航系统中的方法。
背景技术
MULTIPATH(MP)是GNSS定位需要解决的最困难的误差源之一。通过利用反射改变接收信号的极化的事实,可以在天线级减轻MP。通过修改相关器,例如,通过使用窄相关器,双增量相关器,早期晚期斜率,也可以在接收器级减轻MP。其他技术在鉴别器级别工作,例如基于MP估计延迟锁定环(MEDLL)的最大似然技术,耦合幅度DLL(CADLL)或多径不敏感DLL(MIDLL)也已经开发用于MP信号。所有前面提到的技术都需要总是购买的特定且昂贵的硬件。因此,一般选择在测量或位置水平上减轻MP。第一种解决方案是利用环境的3D模型来预测MP信号。第二种选择是使用接收机可用的信息,例如伪距,多普勒频移,卫星星历和C/N0。其他技术包括利用来自同一卫星的不同测量值,例如代码减去载波(CmC)的代码和相位测量,或者来自两个接收器的测量值之间的差异导致差分GNSS,甚至来自两个不同的用户(协作或合作定位)。然而,这些方法计算量大,使得在实际应用中非常复杂。
发明内容
本发明克服了现有技术的不足,提出一种基于稀疏估计的GNSS定位多径缓解方法,利用稀疏估计理论来估计这些偏差,同时显著降低计算复杂度。
为了达到上述目的,本发明是通过如下技术方案实现的。
一种基于稀疏估计的GNSS定位多径缓解方法,其特征在于,具体包括以下步骤:
a)将问题公式化:假设所提出的多径减轻方法的偏差矢量m=(mp,mr)T是稀疏的,其中mp∈RN是由于MP的存在可能会影响伪距而导致的错误项,mr∈RN是由于MP的存在可能会影响伪距率而导致的错误项。
根据所述稀疏性,提出解决的问题:
Figure BDA0002303312070000011
当偏差矢量m为固定值,式I对x的最小值表示为:
x=(HTH)-1HT(y-m) (II)
x∈R4表示前一位置估计的状态(位置和接收器时钟偏置)与当前状态值之间的差。
用式I取代II式中的x,得到了轮廓似然:
Figure BDA0002303312070000028
I2N是一个2N*2N的单位矩阵,P是以下投影矩阵
P=H(HTH)-1HT
相关的矩阵P是一个投影矩阵的列H张成的子空间表示为矢量H,定义为
Figure BDA0002303312070000021
因此,式III中的矩阵I2N-P是Vec{H}的正交上的投影矩阵;回忆观察方程为:
y=Hx+m+n
通过将经过校正的测量值y-m投影到H的正交线上,轮廓似然估计了偏差向量m,这是有道理的,因为显然不可能将Vec{H}中的偏置分量与Hx项区分开。
在式I中引入以下符号:
Figure BDA0002303312070000022
Figure BDA0002303312070000023
θ=Wm
则式I归结为:
Figure BDA0002303312070000024
θ=Wm稀疏向量的权重矩阵W是对角线;则MP缓解策略为:
1)估计未知参数向量θ作为产生
Figure BDA0002303312070000025
的LASSO式IV的解,
2)估计偏置矢量为
Figure BDA0002303312070000026
3)通过将估计的偏置矢量移除到伪距和伪距率来校正伪距和伪距率测量值;然后使用EKF处理这些校正的测量值;
b)选择权重矩阵
利用载波噪声密度比C/N0和卫星高程,建立加权矩阵W:
对于参数C/N0,使用如下的加权函数:
Figure BDA0002303312070000027
x是用dBHz表示的C/N0的值;
T是权重设置为1的阈值;
a允许调整曲线的弯曲度;
F定义C/N0的值,函数
Figure BDA0002303312070000031
的权值由参数A定义;
对于x=F,A控制函数
Figure BDA0002303312070000032
的值;
权重函数:
Figure BDA0002303312070000033
重加权
Figure BDA00023033120700000320
方法中引入的最终权重被定义为每个卫星前两项功能的乘积:
Figure BDA0002303312070000034
其中(C/N0)i和ei是与第i个卫星相关的C/N0和高程;将第i个时刻伪距和伪距率分配相同的权重,导致
Figure BDA0002303312070000035
通过构造权重
Figure BDA0002303312070000036
属于区间[0,1];从每个接收器上获得参数C/N0和e。
所述的稀疏估计理论中采用的估计稀疏向量的估计方法为LASSO问题,重加权
Figure BDA00023033120700000321
和广义LASSO问题。
假定一个测量矢量
Figure BDA0002303312070000037
定义为
Figure BDA0002303312070000038
其中
Figure BDA0002303312070000039
是已知回归矩阵,θ是被估计的未知稀疏矢量,
Figure BDA00023033120700000310
是未知误差;考虑促进θ的稀疏性的加法正则化惩罚的数据保真度项
Figure BDA00023033120700000311
定义为由θ定义的
Figure BDA00023033120700000322
伪范数:
Figure BDA00023033120700000312
LASSO问题是从线性回归中估计稀疏向量的方法,是用
Figure BDA00023033120700000323
范数代替所述的伪范数
Figure BDA00023033120700000324
考虑LASSO问题:
Figure BDA00023033120700000313
重加权
Figure BDA00023033120700000325
公式为下式:
Figure BDA00023033120700000314
Figure BDA00023033120700000315
是一个对角线加权矩阵;W中包含的权重应该与θ0未知向量正的大小成反比,即
Figure BDA00023033120700000316
设置
Figure BDA00023033120700000319
解决问题:
Figure BDA00023033120700000318
更新权重:
Figure BDA0002303312070000041
直到
Figure BDA00023033120700000410
达到最大值
Figure BDA00023033120700000411
结束选择两个特解ε=0.1和
Figure BDA00023033120700000412
所述广义LASSO,为下式:
Figure BDA0002303312070000042
Figure BDA0002303312070000043
是一个合适的惩罚矩阵,当p=q且W是对角线时,广义LASSO简化为重加权方法。
本发明相对于现有技术所产生的有益效果为。
本发明是将MP信号对GNSS测量的影响建模为加性偏差,然后估计这些偏差并从GNSS测量中减去这些偏差以减轻MP效应。相对于较接近的粒子滤波器的顺序蒙特卡罗方法,本发明计算量明显减小,使得在实际应用中复杂度降低。本发明利用稀疏估计理论来估计这些偏差,同时显著降低计算复杂度。
附图说明
图1为本发明实施例提出的稀疏估计在全球运动中所考虑的轨迹图。
图2本发明实施例提出的稀疏估计在全球运动中所考虑的卫星分布图。
图3本发明实施例提出的稀疏估计在开阔环境对应的轨迹图。
图4本发明实施例提出的稀疏估计在城市场景相关的轨迹图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,结合实施例和附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。下面结合实施例及附图详细说明本发明的技术方案,但保护范围不被此限制。
一种基于稀疏估计的GNSS定位多径缓解方法,首先是如何使用具有稀疏性约束的GNSS测量来估计MP偏差。
一、稀疏估计理论
假定一个测量矢量
Figure BDA0002303312070000044
定义为
Figure BDA0002303312070000045
其中
Figure BDA0002303312070000046
是已知回归矩阵,θ是被估计的未知稀疏矢量,
Figure BDA0002303312070000047
是未知误差。从观察到的测量矢量
Figure BDA0002303312070000048
估计θ的经典方法是考虑促进θ的稀疏性的加法正则化惩罚的数据保真度项
Figure BDA0002303312070000049
人们可以将这种加性正则化定义为由θ定义的
Figure BDA00023033120700000515
伪范数
||θ||0=#{θi≠0,i=1,...q} (1)
我们选择不受约束的一个定义为
Figure BDA0002303312070000051
其中λ∈R是一个固定的常数称为正则化参数。
1.1 LASSO问题
从线性回归中估计稀疏向量的一种经典方法是用
Figure BDA00023033120700000516
范数代替(1)中伪范数
Figure BDA00023033120700000517
即,考虑所谓的LASSO问题。
Figure BDA0002303312070000052
然而,用于解决该问题的算法所提供的解与(2)的解相去甚远。这激发了对许多不同稀疏估计策略的研究,这些策略将在下一节中描述
1.2重加权
Figure BDA0002303312070000053
和一般性LASSO
重加权
Figure BDA0002303312070000054
公式如下式
Figure BDA0002303312070000055
Figure BDA0002303312070000056
是一个对角线加权矩阵。理想情况下,W中包含的权重应该与θ0未知向量正的大小成反比,即
Figure BDA0002303312070000057
然而,在实践中由于θ0是未知向量故不能使用重定义。Candes等人提出的一种如下的迭代算法的解决方案。
1)设置
Figure BDA0002303312070000058
2)解决问题
Figure BDA0002303312070000059
3)更新权重
Figure BDA00023033120700000510
4)直到
Figure BDA00023033120700000511
达到最大值
Figure BDA00023033120700000512
结束
该算法需要调节ε和
Figure BDA00023033120700000513
两个参数,故一般选择两个特解ε=0.1
Figure BDA00023033120700000514
(3)的广义版本称为“广义LASSO”,如下式:
Figure BDA0002303312070000061
Figure BDA0002303312070000062
是一个合适的惩罚矩阵,它不一定是矩阵(p表示与未知参数矢量θ相关的约束数),需要由用户指定。当p=q且W是对角线时,广义LASSO简化为重加权方法。
二、一种新的GNSS多路径缓解方法
2.1问题公式化
所提出的多径减轻方法假设偏差矢量m=(mp,mr)T是稀疏的。利用这种稀疏性,我们提出解决以下问题
Figure BDA0002303312070000063
为了检测和纠正MP影响的测量值,即,受加性偏差存在影响的测量值。为了得到一个类似于(4)的公式,值得注意的是,对于一个固定的m,(9)对x的最小值可以表示为下式
x=(HTH)-1HT(y-m) (10)
这是经典最小二乘解。用(9)取代上式中的x,我们得到了所谓的轮廓似然
Figure BDA0002303312070000064
I2N是一个2N*2N的单位矩阵,P是以下投影矩阵
P=H(HTH)-1HT (12)
相关的矩阵P是一个投影矩阵的列H张成的子空间表示为矢量H,定义为
Figure BDA0002303312070000065
因此,式(11)中的矩阵I2N-P是Vec{H}的正交上的投影矩阵。回忆观察方程
v=Hx+m+n (13)
可以看到,用轮廓似然估计偏置向量m,通过将偏置校正后的测量值y-m投影到H的正交上,这是有意义的,因为显然不可能将位于Vec{H}中的偏置分量与术语Hx区分开来。
然后引入以下符号:
Figure BDA0002303312070000066
Figure BDA0002303312070000067
θ=Wm (16)
原来的问题(9)归结为
Figure BDA0002303312070000068
我们必须注意,θ=Wm稀疏向量的权重矩阵W是对角线。因此,我们必须解决一个LASSO问题,该问题的解可以用经典的高效算法。由此产生的MP缓解策略可以总结如下
1)估计未知参数向量θ作为产生
Figure BDA0002303312070000071
的LASSO问题(17)的解,
2)估计偏置矢量为
Figure BDA0002303312070000072
3)通过将估计的偏置矢量移除到伪距和伪距率来校正伪距和伪距率测量值。然后使用EKF处理这些校正的测量值。
2.2选择权重矩阵
接下来设计出现在(9)中的权重矩阵。我们提出了利用大多数GNSS接收机提供的具有一定代表性的测量质量的关键参数,即载波噪声密度比C/N0和卫星高程,建立加权矩阵W。
更精确地说,我们考虑一种重加权
Figure BDA0002303312070000073
的方法,该方法更有利于C/N0值大且卫星高度高的卫星。对于参数C/N0,我们使用下面的加权函数:
Figure BDA0002303312070000074
·x是用dBHz表示的C/N0的值
·T是权重设置为1的阈值
·a允许调整曲线的弯曲度
·F定义C/N0的值,函数
Figure BDA0002303312070000075
的权值由参数A定义
·对于x=F,A控制函数
Figure BDA0002303312070000076
的值
减轻MP效应的第二个重要信息与卫星海拔有关。通常定义一个5度的仰角掩模,即,在计算接收机位置前,将仰角小于5度的卫星排除在外。然而,在城市环境中,保存最多的卫星测量数据是很重要的。因此,我们建议在不排除低海拔卫星的情况下减少它们的影响。定义满足此属性的权重函数有很多可能性。根据参考文献,我们考虑以下权重函数
Figure BDA0002303312070000077
重加权
Figure BDA0002303312070000078
方法中引入的最终权重被定义为每个卫星前两项功能的乘积:
Figure BDA0002303312070000079
其中(C/N0)i和ei是与第i个卫星相关的C/N0和高程。我们将第i个时刻伪距和伪距率分配相同的权重,因为这两个测量结果来自同一卫星,导致
Figure BDA00023033120700000710
通过构造权重
Figure BDA0002303312070000081
属于区间[0,1]。参数C/N0和e在每个接收器上都很容易获得,因为接收器直接估计C/N0,并且可以使用每个卫星的实际和先前位置计算高程(由导航消息中包含的星历表得到)。
使用以上的推导结果,应用于真实的仿真场景:
其轨迹来自于一个非常精确的接收机(Novatel SPAN)提供的真实数据。在k=200和300之间的时间点的三颗卫星的测量中添加了偏差。
对于每个场景,都考虑了K=500和200蒙特卡罗运行。在实验中,我们产生了人为的附加偏差,模拟了多路径条件,在第1、5、6号卫星频道的k=50和k=150时刻之间影响了伪距和伪距率。对于伪距,偏差振幅调整为80米、60米和40米;对于伪距率,偏差振幅调整为5米、12米和4米/秒。这些卫星位置是根据真实的星历数据创建的,以处理真实的合成数据。为了考虑接收噪声和剩余模型误差(电离层、对流层、卫星时钟、星历和其它相关误差),自适应噪声由σ=5m的伪距和σ=0.5m/s的伪距率产生。最后,我们在没有多径抑制的情况下,在45dBHz到48dBHz之间,在有多径抑制的情况下,在30dBHz到33dBHz之间均匀生成C/N_0(第1、5、6号卫星频道)。
稀疏估计需要调整正则化参数λ用来显示估计位置的均方根误差(RMSE)。选择λ=1可以在RMSE的值和计算时间达到平衡。
在8颗卫星中只有不到5颗卫星被MP污染的情况下,用稀疏估计方法得到的结果是令人满意的。相反,当偏置信道数大于6超过8时,算法性能显著下降,这就定义了该仿真场景中许多卫星都受到多径影响时的稀疏理论的极限。
该算法的性能与使用合成数据得到的结果相似,表明该算法对不完全符合扩展卡尔曼滤波状态方程的车辆动力学具有鲁棒性。受到MP影响的卫星数目增加造成定位性能的损失。在8颗卫星中只有不到5颗卫星被MP污染的情况下,用稀疏估计方法得到的结果是令人满意的。相反,当有偏信道数大于6甚至超过8时,算法性能会显著下降,这就定义了该仿真场景中过多卫星受到多径影响时稀疏性假设的极限。
最后利用Ublox AEK-4T接收机提供的实际测量数据对所提出的算法进行了评估,在测量过程中,使用精确(高成本)的接收器,即Novatel SPAN由GPS接收机Propak-V3和惯性测量单元(IMAR)组成。不同算法的性能比较使用的数据来自全球运动,但也使用来自特定部分的轨迹对应相当晴朗的天空和城市环境的数据。
不同算法的性能比较,使用的数据来自全球运动,但也使用数据产生的特定部分相对应的轨迹很晴朗的天空和城市环境。Ublox接收器是独立接收器(它仅使用自己的GPS测量值来计算其位置),并且未提供用于定位和计算不同测量值(相关器/鉴别器)的估算算法。利用均方根误差(RMSE)对东、北、天三个方向的不同系统进行了性能评价。并给出了每种方法的误差累积分布函数。我们还决定用不同的数字中显示水平和高度的误差。
不同算法水平和垂直误差的最小值、最大值和中值如表1,这些结果证实了所提出的稀疏估计算法的良好性能。
Figure BDA0002303312070000091
1)全球运动:
全球运动中所考虑的轨迹和卫星分布图如图1和图2所示,只有两颗卫星有时海拔低于5°,为了了解高程约束的利益,我们测试了该算法的性能后,放弃了海拔低于5°(在整个轨道的一部分)的卫星。表明保留包括小仰角在内的所有卫星效果较好。在这个模拟场景中,所提出的方法在平面和高度误差方面都优于REKF。
2)开阔环境:
开阔环境对应的轨迹如图3所示。水平和高度误差以及表中的定量结果表明,在这种环境中,所提出的方法优于Ublox和REKF解决方案。
3)城市峡谷环境:
与城市场景相关的轨迹如图4所示。结果表明,对于这个模拟场景,本文提出的方法优于REKF,并且与Ublox解决方案的性能相似。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。

Claims (5)

1.一种基于稀疏估计的GNSS定位多径缓解方法,其特征在于,具体包括以下步骤:
a)将问题公式化:假设所提出的多径减轻方法的偏差矢量m=(mp,mr)T是稀疏的,其中mp∈RN,mr∈RN
根据所述稀疏性,提出解决的问题:
Figure FDA0002303312060000011
当偏差矢量m为固定值,式I对x的最小值表示为:
x=(HTH)-1HT(y-m) (II)
x∈R4表示前一位置估计的状态与当前状态值之间的差;
用式I取代II式中的x,得到了轮廓似然:
Figure FDA0002303312060000012
I2N是一个2N*2N的单位矩阵,P是以下投影矩阵
P=H(HTH)-1HT
相关的矩阵P是一个投影矩阵的列H张成的子空间表示为矢量H,定义为
Figure FDA0002303312060000013
因此,式III中的矩阵I2N-P是Vec{H}的正交上的投影矩阵;回忆观察方程为:
y=Hx+m+n
通过将经过校正的测量值y-m投影到H的正交线上,轮廓似然估计了偏差向量m;
在式I中引入以下符号:
Figure FDA0002303312060000014
Figure FDA0002303312060000015
θ=Wm
则式I归结为:
Figure FDA0002303312060000016
θ=Wm稀疏向量的权重矩阵W是对角线;则MP缓解策略为:
1)估计未知参数向量θ作为产生
Figure FDA0002303312060000017
的LASSO式IV的解,
2)估计偏置矢量为
Figure FDA0002303312060000018
3)通过将估计的偏置矢量移除到伪距和伪距率来校正伪距和伪距率测量值;然后使用EKF处理这些校正的测量值;
b)选择权重矩阵
利用载波噪声密度比C/N0和卫星高程,建立加权矩阵W:
对于参数C/N0,使用如下的加权函数:
Figure FDA0002303312060000021
x是用dBHz表示的C/N0的值;
T是权重设置为1的阈值;
a允许调整曲线的弯曲度;
F定义C/N0的值,函数
Figure FDA0002303312060000022
的权值由参数A定义;
对于x=F,A控制函数
Figure FDA0002303312060000023
的值;
权重函数:
Figure FDA0002303312060000024
重加权-l1方法中引入的最终权重被定义为每个卫星前两项功能的乘积:
Figure FDA0002303312060000025
其中(C/N0)i和ei是与第i个卫星相关的C/N0和高程;将第i个时刻伪距和伪距率分配相同的权重,导致
Figure FDA0002303312060000026
通过构造权重
Figure FDA0002303312060000027
属于区间[0,1];从每个接收器上获得参数C/N0和。
2.根据权利要求1所述的一种基于稀疏估计的GNSS定位多径缓解方法,其特征在于,所述的稀疏估计理论中采用的估计稀疏向量的估计方法为LASSO问题,重加权-l1和广义LASSO问题。
3.根据权利要求2所述的一种基于稀疏估计的GNSS定位多径缓解方法,其特征在于:
假定一个测量矢量
Figure FDA0002303312060000028
定义为
Figure FDA0002303312060000029
其中
Figure FDA00023033120600000210
是已知回归矩阵,θ是被估计的未知稀疏矢量,
Figure FDA00023033120600000211
是未知误差;考虑促进θ的稀疏性的加法正则化惩罚的数据保真度项
Figure FDA00023033120600000212
定义为由θ定义的l0伪范数:
||θ||0=#{θi≠0,i=1,...q}
LASSO问题是从线性回归中估计稀疏向量的方法,是用l1范数代替所述的伪范数l0,考虑LASSO问题:
Figure FDA00023033120600000213
4.根据权利要求2所述的一种基于稀疏估计的GNSS定位多径缓解方法,其特征在于:
重加权-l1公式为下式:
Figure FDA0002303312060000031
Figure FDA0002303312060000032
是一个对角线加权矩阵;W中包含的权重应该与θ0未知向量正的大小成反比,即
Figure FDA0002303312060000033
设置l=0,
Figure FDA0002303312060000034
解决问题:
Figure FDA0002303312060000035
更新权重:
Figure FDA0002303312060000036
直到l达到最大值lmax结束
选择两个特解ε=0.1和lmax=2。
5.根据权利要求2所述的一种基于稀疏估计的GNSS定位多径缓解方法,其特征在于:
所述广义LASSO,为下式:
Figure FDA0002303312060000037
Figure FDA0002303312060000038
是一个合适的惩罚矩阵,当p=q且W是对角线时,广义LASSO简化为重加权方法。
CN201911230120.XA 2019-12-04 2019-12-04 一种基于稀疏估计的gnss定位多径缓解方法 Pending CN110927748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911230120.XA CN110927748A (zh) 2019-12-04 2019-12-04 一种基于稀疏估计的gnss定位多径缓解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911230120.XA CN110927748A (zh) 2019-12-04 2019-12-04 一种基于稀疏估计的gnss定位多径缓解方法

Publications (1)

Publication Number Publication Date
CN110927748A true CN110927748A (zh) 2020-03-27

Family

ID=69856817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911230120.XA Pending CN110927748A (zh) 2019-12-04 2019-12-04 一种基于稀疏估计的gnss定位多径缓解方法

Country Status (1)

Country Link
CN (1) CN110927748A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180408A (zh) * 2020-09-29 2021-01-05 中山大学 一种基于智能终端的多径误差提取方法和相关装置
CN112782729A (zh) * 2020-12-24 2021-05-11 中国民航大学 基于lasso的矢量接收机跟踪偏差估计方法
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061686A (zh) * 2018-07-09 2018-12-21 太原理工大学 基于递归广义最大互熵的自适应多径估计方法
CN109477900A (zh) * 2016-03-18 2019-03-15 迪尔公司 全球导航卫星系统接收器中用于模糊度解算的频率间偏差的估算
CN110261841A (zh) * 2019-07-26 2019-09-20 南京信息工程大学 基于迭代加权近端投影的mimo雷达单测量矢量doa估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109477900A (zh) * 2016-03-18 2019-03-15 迪尔公司 全球导航卫星系统接收器中用于模糊度解算的频率间偏差的估算
CN109061686A (zh) * 2018-07-09 2018-12-21 太原理工大学 基于递归广义最大互熵的自适应多径估计方法
CN110261841A (zh) * 2019-07-26 2019-09-20 南京信息工程大学 基于迭代加权近端投影的mimo雷达单测量矢量doa估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JULIEN LESOUPLE 等: ""Multipath Mitigation for GNSS Positioning in an Urban Environment Using Sparse Estimation"", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180408A (zh) * 2020-09-29 2021-01-05 中山大学 一种基于智能终端的多径误差提取方法和相关装置
CN112180408B (zh) * 2020-09-29 2023-06-23 中山大学 一种基于智能终端的多径误差提取方法和相关装置
CN112782729A (zh) * 2020-12-24 2021-05-11 中国民航大学 基于lasso的矢量接收机跟踪偏差估计方法
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

Similar Documents

Publication Publication Date Title
Lesouple et al. Multipath mitigation for GNSS positioning in an urban environment using sparse estimation
CN108333604B (zh) 一种利用卫星定位的方法和装置、卫星授时方法和装置
Hsu et al. Multipath mitigation and NLOS detection using vector tracking in urban environments
Closas et al. A Bayesian approach to multipath mitigation in GNSS receivers
CN109196379B (zh) 具有改进的模糊度解算的卫星导航接收器
JP2015007640A (ja) ローバ内に配置された第1のナビゲーション受信機と、基地局内に配置された第2のナビゲーション受信機とを備えた全地球的航法衛星システムにおいてアンビギュイティを決定
Blanco-Delgado et al. Multipath estimation in multicorrelator GNSS receivers using the maximum likelihood principle
CN110927748A (zh) 一种基于稀疏估计的gnss定位多径缓解方法
Bourdeau et al. Constructive use of GNSS NLOS-multipath: Augmenting the navigation Kalman filter with a 3D model of the environment
US10670733B2 (en) Satellite geopositioning method and associated terminal
Tang et al. Practical implementation and performance assessment of an Extended Kalman Filter-based signal tracking loop
NGOC et al. Evaluating process and measurement noise in extended Kalman filter for GNSS position accuracy
Brack et al. Operational multi-GNSS global ionosphere maps at GFZ derived from uncombined code and phase observations
Mazher et al. GNSS pseudorange smoothing: Linear vs non-linear filtering paradigm
CN102944888B (zh) 一种基于二阶扩展卡尔曼的低运算量gps定位方法
Minetto et al. A collaborative method for GNSS-based inter-agent range estimation and hybrid positioning algorithm in harsh environment
Guermah et al. A comparative performance analysis of position estimation algorithms for GNSS localization in urban areas
Sahmoudi et al. Deep fusion of vector tracking GNSS receivers and a 3D city model for robust positioning in urban canyons with NLOS signals
Fernández-Prades et al. Nonlinear filtering for ultra-tight GNSS/INS integration
Tang et al. The explicit tuning investigation and validation of a full Kalman filter-based tracking loop in GNSS receivers
Luo et al. Improving GNSS baseband using an RTK-position-aided code tracking algorithm
JP7088846B2 (ja) 衛星信号処理のための方法およびシステム
Wang et al. Adaptive Kalman filter based on integer ambiguity validation in moving base RTK
Matera et al. Smart exploitation of pseudorange and pseudorange-rate error characterization to improve the PVT solution
Shafaati et al. Performance comparison of difference correlator and co-op tracking architectures under receiver clock instability

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