CN111624634A - 基于深度卷积神经网络的卫星定位误差评估方法和系统 - Google Patents

Abstract

本发明公开了一种基于深度卷积神经网络的卫星定位误差评估方法和系统。该方法包括：根据接收到的卫星信号，估算用户设备的位置，作为粗定位位置；将用户设备的粗定位位置以及该粗定位位置对应的区块建筑布局图输入经训练的深度卷积神经网络模型，获得定位偏移量的预测值，其中区块建筑布局图表征建筑物布局分布情况；基于定位偏移量的预测值，修正粗定位位置的定位误差。本发明采取向平面地图添加建筑物布局特征，不需要获取地理区域的3D模型，即可快速实现用户设备的精确定位。

Description

基于深度卷积神经网络的卫星定位误差评估方法和系统

技术领域

本发明涉及卫星导航定位技术领域，更具体地，涉及一种基于深度卷积神经网络的卫星定位误差评估方法和系统。

背景技术

在当前智能设备越发普及、智能设备为用户提供的服务不断发展进步的背景下，用户对其所接受服务的质量要求也在逐渐提高，其中包括普遍搭载于市面上常见的几乎所有智能手机的定位服务。

全球导航卫星系统主要包括地面站、导航卫星和接收机三个部分。地面站负责追踪、监控卫星的运行状态；导航卫星在预定的轨道上运行，不断广播卫星自身的位置、时间等信息；接收机负责采集卫星的广播信号并进行一系列处理，最终解算出接收机的位置。

随着科技的进步与发展，智能手机、平板电脑等智能设备的持有率也在与日俱增。这些设备普遍搭载了民用级导航定位系统，使得基于用户实际位置的服务成为了可能，也因此使得用户对导航定位相关技术的依赖和需求不断增长。

然而，在复杂的城市环境中，即使用户处于室外，其周围往往也存在大量高大建筑物，导致实际接收到的卫星信号并不是单纯经过卫星到接收机的视线传播，部分信号的传输路径经过了至少一次的反射、折射等干扰，最终才到达用户的接收机。这部分干扰会影响最终定位精度，因而影响服务体验。

目前，已有一些验证卫星可见性的技术方案。例如，利用3D城市模型来验证卫星可见性的方法，其通过缩小计算过程推定的用户可能的所在地范围，进而缩小定位误差。这种方法的缺点是需要较大规模的3D城市模型，而模型数据目前还较难大规模获取。又如，利用3D城市地图以及实拍街景的全景照片，结合计算机视觉的方式，对街道上的卫星可见性和非视距误差进行分析、补偿，最终改善定位精度。这种方法同样利用3D城市地图并且运算相对复杂，从建模到用户定位全部在云端完成，对服务提供者使用的运算、存储和通信设备有一定要求。

综上，在现有技术中，如何评估、改善复杂地理环境，特别是城市环境中的定位误差，仍然是一个具有挑战性的问题。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于深度卷积神经网络的卫星定位误差评估方法和系统，该技术方案结合地图和深度神经网络，通过向应用广泛的平面地图中添加建筑物分布信息的方式，能够脱离对大规模3D模型的依赖。

根据本发明的第一方面，提供一种基于深度卷积神经网络的卫星定位误差评估方法，包括以下步骤：

根据接收到的卫星信号，估算用户设备的位置，作为粗定位位置；

将用户设备的粗定位位置以及该粗定位位置对应的区块建筑布局图输入经训练的深度卷积神经网络模型，获得定位偏移量的预测值，其中所述区块建筑布局图表征建筑物布局分布情况；

基于所述定位偏移量的预测值，修正所述粗定位位置的定位误差。

在一个实施例中，根据以下步骤训练深度卷积神经网络模型：

构建训练数据集，所述训练数据集包含目标地理区域的地图和带有定位误差量标注的定位信息样本；

以用户设备的实际位置和用户设备对应的区块建筑布局图作为深度卷积神经网络模型的输入，并以用户设备的实际位置到粗定位位置的矢量作为深度卷积神经网络模型的输出，获得能够在各区块内识别建筑物布局特征并能够输出定位偏移量矢量的经训练的深度卷积神经网络模型，所述粗定位位置根据接收到的卫星信号估算获得，所述实际位置通过测量获得。

在一个实施例中，根据以下步骤构制所述区块建筑布局图：

将目标地理区域图划分为多个区块；

对于每个划分好的区块，获取对应的街区地图，并采用像素明度表现建筑物高度比例，构制成所述区块建筑布局图。

在一个实施例中，根据建筑物的密集程度和卫星可见性确定所述多个区块的尺寸。

在一个实施例中，在构建所述训练数据集过程中，记录用户设备的所述粗定位位置和所述实际位置，并转化为定位点相对所在区块建筑布局图的水平、竖直位置比例。

在一个实施例中，根据以下步骤获得用户设备的粗定位位置：

取地心作为初始条件，确定用户设备的初始位置(x₀,y₀,z₀)；

利用最小二乘法迭代求解下式获得用户设备的粗定位位置：

其中，

上标为可见卫星的序号，P^j为序号为j的卫星到用户设备接收机的伪距测量值；卫星到用户设备接收机的欧氏距离表示为

表示迭代求解过程中编号为j的卫星到用户设备接收机的欧氏距离，l^j为求解过程中引入的残差，

分别为f(x_i,y_i,z_i)＝f(x₀+Δx_i,y₀+Δy_i,z₀+Δz_i)的泰勒展开式对x,y,z求偏导函数的一次项，c表示光速，Δt_i指编号为i的用户设备接收机与卫星定位系统之间的时钟误差，且有x_i＝x₀+Δx_i,y_i＝y₀+Δy_i,z_i＝z₀+Δz_i。

在一个实施例中，所述用户设备包括智能手机、平板电脑、智能机器人。

根据本发明的第二方面，提供一种基于深度卷积神经网络的卫星定位误差评估系统。该系统包括：

位置估算模块：用于根据接收到的卫星信号，估算用户设备的位置，作为粗定位位置；

定位误差预测模块：用于将用户设备的粗定位位置以及该粗定位位置对应的区块建筑布局图输入经训练的深度卷积神经网络模型，获得定位偏移量的预测值，其中所述区块建筑布局图表征建筑物布局分布情况；

误差修正单元：用于基于所述定位偏移量的预测值，修正所述粗定位位置的定位误差。

与现有技术相比，本发明的优点在于，不需要获取地理区域的3D模型，而是采取向平面地图添加更多信息的方式来记录建筑布局；本发明运算量适中，训练好的神经网络模型占用较小的存储空间，可以部署于用户端或云端实现离线定位，对通信和算力的要求相对缓和。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于深度卷积神经网络的卫星定位误差评估方法的整体框架图；

图2是根据本发明一个实施例的基于深度卷积神经网络的卫星定位误差评估方法的流程图；

图3是地图区块的示意图；

图4是所选区块内主要建筑物的航拍照片示意图；

图5是区块建筑布局图的示例；

图6是根据本发明一个实施例的深度卷积神经网络的结构示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明提出一种基于平面地图和神经网络的定位优化技术，利用该技术，能够根据用户所在地附近的建筑物分布得出一个定位误差的预测，并根据该预测值对定位结果进行改进。在下文中，将以城市地理环境为例进行介绍，但应理解的是，本发明适用于任何地理区域的用户设备的定位误差修正。

根据本发明的一个实施例，提供一种基于深度卷积神经网络的卫星定位误差评估方法。参见图1所示，简言之，该方法整体上包括训练学习阶段和分析预测阶段。在训练学习阶段，可在云端(服务提供商等)或服务器针对先验数据城市地图作预处理，实现地图和定位偏移量数据的采集，并以该数据集训练深度卷积神经网络模型，经训练的网络模型可按照需求存储在网络或用户设备上；在分析预测阶段，用户使用智能设备采集位置信息后，通过获得的深度卷积神经网络模型预测定位误差实现误差补偿，进而输出定位结果，从而达到改善定位精度的目的。

具体地，参见图2所示，本发明实施例提供的基于深度卷积神经网络的卫星定位误差评估方法包括以下步骤：

步骤S210，构建训练数据集，该训练数据集包括城市地图与定位误差量标注的定位信息样本。

由于本发明基于神经网络原理，需要预先收集一定量的先验数据，构建训练数据集，用于神经网络的训练。这些数据主要包括用户所在地附近的城市地图和带有定位误差量标注的定位信息样本，其中带有定位误差量标注的定位信息样本可通过分析历史统计数据获得。

首先，根据实际需要，将城市分为若干大小适当的区块。区块划分应当能够保留大致的建筑物布局特征，不宜过大或过小，以便平衡计算压力和执行精度。例如，考虑到发达城市建筑密集区的建筑与街道分布，可将区块尺寸设置为40m×40m；在密度相对较高，但卫星可见性较好的区块，可将区块尺寸设置为60m×60m等。对于每个划分好的区块，下载其对应的街区地图(参见图3和图4所示)，然后采用像素明度表现建筑物高度比例，制成城市区域建筑布局图。例如，灰度越大，则示出的建筑物的高度越高，参见图5所示。

对于用户的位置信息，在可以采集GNSS(全球导航卫星系统)卫星原始观测量的智能设备上，利用其操作系统提供的功能接口，用户可以提取到其所搭载的GNSS接收机提供的所有接收到信号的卫星i的伪距Pj等信息，进而可以通过最小二乘法迭代求解以下方程解算出接收机的位置：

令接收机的初始位置为(x₀，y₀，z₀)(在初始条件未知的情况下，可以取地心作为初始条件)，那么估算的接收机的位置满足x_i＝x₀+Δx_i，y_i＝y₀+Δy_i，z_i＝z₀+Δz_i(在本文称为粗定位位置)。

其中，

在上述方程组中，上标为可见卫星的序号；P^j为序号为j的卫星到接收机的伪距测量值；ρ_i为卫星到接收机的真实距离，由欧氏距离公式

得出，

指迭代求解过程中编号为j的卫星到接收机的欧氏距离；l^j为求解过程中引入的残差，为中间变量；

分别为f(x_i，y_i，z_i)＝f(x₀+Δx_i，y₀+Δy_i，z₀+Δz_i)的泰勒展开式对x，y，z求偏导函数的一次项，为中间变量；c代表光速，为一常量(＝299792458m/s)；Δt_i指编号为i的接收机与GNSS系统之间的时钟误差。

由于在复杂的城市环境中接收到的信号往往存在非视距误差，从不同角度经历不同传播路径的信号之间的钟差等误差因素也存在差异，因而该步骤估算的位置将与接收机实际所处的位置产生偏移。在数据收集阶段，接收机的粗定位以及通过实地测量获得的准确位置都将被收集记录，并转化为定位点相对所在区块图的水平、竖直位置比例，以便于后续进行神经网络训练学习。

步骤S220，以用户设备的实际位置和用户设备对应的区块建筑布局图作为深度卷积神经网络模型的输入，并以用户设备的实际位置到粗定位位置的矢量作为深度卷积神经网络模型的输出，训练深度卷积神经网络模型。

在得到训练数据集之后，即可设计并训练神经网络，例如构建一个如图6所示的多层卷积神经网络(其可包括卷积核大小不同的多个卷积层和全连接层等，本发明对具体的网络结构不进行限制)，取步骤S210中采集的用户设备接收机实际位置和经过预处理的区块建筑布局图作为该卷积神经网络的输入，并取实际的准确位置到粗定位的矢量(x_i-x_r,y_i-y_r,z_i-z_r)作为卷积神经网络的输出进行训练。通过这种方式，得到一个能够在区块内识别建筑物布局特征，并能够输出定位误差矢量的神经网络模型(即满足预设损失目标的神经网络中各层的权重和偏置等参数)。

由于在预处理阶段，实际位置和带有偏移量的误差位置采取了与图片尺寸成比例的格式进行记录、运算，因此此处神经网络输出的偏移量将为与训练时的原始布局图中真实点位置和误差点位置具有相同比例系数的、相对于城市布局图的一组以比例形式表达的矢量。将该输出矢量与对应区块城市布局图的比例系数相乘即可得到偏移量的真实值。

步骤S230，根据经训练的深度卷积神经网络模型预测定位偏移量并修正定位误差。

利用步骤S220训练所得的深度卷积神经网络模型，即可对实际的定位场景进行预测分析，得出一个位置修正量，用于改善定位精度。

例如，用户设备接收机会根据接收到的GNSS卫星信号，进行步骤S210中所述的最小二乘法，解算出一个带有误差的位置，视为用户设备的粗定位位置。结合该粗定位位置，并利用步骤S220得到的深度卷积神经网络模型，可以在用户设备上得出一个定位偏移量的预测值，最终以该预测值补偿由于卫星信号非视距传播等因素引起的定位误差。

综上，在不经过处理的条件下接收机只能获取(含误差的)粗定位的位置信息，该粗定位应用于导航等情景时可能会显得误差较大，但一般仍然足以判断用户的大致位置。例如，手机显示的位置与用户实际所处的位置相差一个街区等。本发明在粗定位所在位置及其附近选取区块，通常包含用户的实际位置，进而通过经训练的深度卷积神经模型获得预测的误差，能够实现用户设备的精确定位。

相应地，本发明还提供一种基于深度卷积神经网络的卫星定位误差评估系统，用于实现上述方法的一个方面或多个方面。例如该系统包括：位置估算模块，其用于根据接收到的卫星信号，估算用户设备的位置，作为粗定位位置；定位误差预测模块，其用于将用户设备的粗定位位置以及该粗定位位置对应的区块建筑布局图输入经训练的深度卷积神经网络模型，获得定位偏移量的预测值，其中所述区块建筑布局图表征建筑物布局分布情况；误差修正单元，其用于基于所述定位偏移量的预测值，修正所述粗定位位置的定位误差。

本发明可于多种类型的智能设备(或用户设备)的定位，例如包括但不限于手机、平板电脑、智能机器人(如配送机器人)等。

应理解的是，本文涉及的深度卷积神经网络具体实现的结构参数，如其内部的隐层数、卷积核大小等超参数，均可根据实际操作需要进行增减、优化，而不限于图6的示意。并且城市布局图的绘制方法也可根据实际场合进行调整。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于深度卷积神经网络的卫星定位误差评估方法，包括以下步骤：

根据接收到的卫星信号，估算用户设备的位置，作为粗定位位置；

将用户设备的粗定位位置以及该粗定位位置对应的区块建筑布局图输入经训练的深度卷积神经网络模型，获得定位偏移量的预测值，其中所述区块建筑布局图表征建筑物布局分布情况；

基于所述定位偏移量的预测值，修正所述粗定位位置的定位误差。

2.根据权利要求1所述的基于深度卷积神经网络的卫星定位误差评估方法，其中，根据以下步骤训练深度卷积神经网络模型：

构建训练数据集，所述训练数据集包含目标地理区域的地图和带有定位误差量标注的定位信息样本；

以用户设备的实际位置和用户设备对应的区块建筑布局图作为深度卷积神经网络模型的输入，并以用户设备的实际位置到粗定位位置的矢量作为深度卷积神经网络模型的输出，获得能够在各区块内识别建筑物布局特征并能够输出定位偏移量矢量的经训练的深度卷积神经网络模型，所述粗定位位置根据接收到的卫星信号估算获得，所述实际位置通过测量获得。

3.根据权利要求2所述的基于深度卷积神经网络的卫星定位误差评估方法，其中，根据以下步骤构制所述区块建筑布局图：

将目标地理区域图划分为多个区块；

对于每个划分好的区块，获取对应的街区地图，并采用像素明度表现建筑物高度比例，构制成所述区块建筑布局图。

4.根据权利要求3所述的基于深度卷积神经网络的卫星定位误差评估方法，其中根据建筑物的密集程度和卫星可见性确定所述多个区块的尺寸。

5.根据权利要求2所述的基于深度卷积神经网络的卫星定位误差评估方法，其中，在构建所述训练数据集过程中，记录用户设备的所述粗定位位置和所述实际位置，并转化为定位点相对所在区块建筑布局图的水平、竖直位置比例。

6.根据权利要求1所述的基于深度卷积神经网络的卫星定位误差评估方法，根据以下步骤获得用户设备的粗定位位置：

取地心作为初始条件，确定用户设备的初始位置(x₀，y₀，z₀)；

利用最小二乘法迭代求解下式获得用户设备的粗定位位置：

其中，

上标为可见卫星的序号，P^j为序号为j的卫星到用户设备接收机的伪距测量值；卫星到用户设备接收机的欧氏距离表示为

表示迭代求解过程中编号为j的卫星到用户设备接收机的欧氏距离，l^j为求解过程中引入的残差，

分别为f(x_i，y_i，z_i)＝f(x₀+Δx_i，y₀+Δy_i，z₀+Δz_i)的泰勒展开式对x，y，z求偏导函数的一次项，c表示光速，Δt_i指编号为i的用户设备接收机与卫星定位系统之间的时钟误差，且有x_i＝x₀+Δx_i，y_i＝y₀+Δy_i，z_i＝z₀+Δz_i。

7.根据权利要求1所述的基于深度卷积神经网络的卫星定位误差评估方法，其中所述用户设备包括智能手机、平板电脑、智能机器人。

8.一种基于深度卷积神经网络的卫星定位误差评估系统，包括：

位置估算模块：用于根据接收到的卫星信号，估算用户设备的位置，作为粗定位位置；

定位误差预测模块：用于将用户设备的粗定位位置以及该粗定位位置对应的区块建筑布局图输入经训练的深度卷积神经网络模型，获得定位偏移量的预测值，其中所述区块建筑布局图表征建筑物布局分布情况；

误差修正单元：用于基于所述定位偏移量的预测值，修正所述粗定位位置的定位误差。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现权利要求1所述的基于深度卷积神经网络的卫星定位误差评估方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述的基于深度卷积神经网络的卫星定位误差评估方法的步骤。

Images