CN111796310A - 一种基于北斗gnss的高精度定位方法、装置及系统 - Google Patents
一种基于北斗gnss的高精度定位方法、装置及系统 Download PDFInfo
- Publication number
- CN111796310A CN111796310A CN202010634769.4A CN202010634769A CN111796310A CN 111796310 A CN111796310 A CN 111796310A CN 202010634769 A CN202010634769 A CN 202010634769A CN 111796310 A CN111796310 A CN 111796310A
- Authority
- CN
- China
- Prior art keywords
- layer
- lsgan
- network
- transformation
- micro
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 46
- 238000004804 winding Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种基于北斗GNSS的高精度定位方法、装置及系统，该方法包括如下步骤：接收随机噪声，构建LSGAN神经网络；当北斗GNSS信号可用时，LSGAN神经网络处于训练模式：将惯性导航系统输出的三维位置信息以及经卡尔曼滤波器融合后输出的惯性导航系统误差补偿值作为LSGAN神经网络训练的输入样本对其训练；当北斗GNSS信号缺失时，LSGAN神经网络进入预测模式，利用训练后的LSGAN神经网络模型预测出惯性导航系统的误差值，利用该误差值得到修正后的三维位置信息。本发明提供的基于北斗GNSS的高精度定位装置及系统，通过多通道卷积网络更好的提取样本数据中的特征信息从而使网络具有较好的泛化能力，避免梯度消失现象，能够更精确地预测三维位置信息。
Description
技术领域
本发明涉及卫星定位导航领域，具体涉及一种基于北斗GNSS高精度定位方法、装置及系统。
背景技术
2020年6月底，中国完成30颗卫星发射组网，全面建成北斗三号系统。北斗三号系统继承有源服务和无源服务两种技术体制，为全球用户提供定位导航授时、全球短报文通信和国际搜救服务，同时可为中国及周边地区用户提供星基增强、地基增强、精密单点定位和区域短报文通信等服务。北斗三号系统的空间信号精度优于0.5米；全球定位精度优于10米，测速精度优于0.2米/秒，授时精度优于20纳秒；亚太地区定位精度优于5米，测速精度优于0.1米/秒，授时精度优于10纳秒，整体性能大幅提升。
GAN(Generative Adversarial Nets，生成式对抗网络)启发自博弈论中的二人零和博弈，自从IanGoodfellow在14年发表了论文Generative Adversarial Nets以来，生成式对抗网络GAN广受关注，GAN成为近年来在机器学习领域的新宠。
发明内容
本发明针对现有技术中存在的技术问题，本发明的第一方面提供一种基于北斗GNSS的高精度定位方法包括如下步骤：接收随机噪声，构建LSGAN神经网络模型；当北斗GNSS信号可用时，LSGAN神经网络处于训练模式：将惯性导航系统输出的三维位置信息以及经卡尔曼滤波器融合后输出的惯性导航系统误差补偿值作为LSGAN神经网络训练的输入样本；获取真实的所述输入样本，对所述输入样本进行不同幅度的变换，保存输入样本和所述变换输入样本，得到变换输入样本集；将所述变换输入样本集中的变换输入样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合，得到输出结果；当北斗GNSS信号缺失时，LSGAN神经网络进入预测模式，以惯性导航系统输出的导航位置信息作为训练后的网络的输入，利用训练后的LSGAN神经网络模型预测出惯性导航系统的误差值，利用该误差值得到修正后的三维位置信息。
在发明的一些实施例中，上述方法还包括当LSGAN神经网络实际输出与期望输出样本之间的误差值大于设定的阈值，循环利用LSGAN神经网络算法得到其网络权值的更新值，直至LSGAN神经网络的实际输出与期望的输出之间的误差小于设定的阈值。
在发明的一些实施例中，所述LSGAN的生成网络包括：依次相连的第一全连接层、第一微步幅卷积层、第二微步幅卷积层、第三微步幅卷积层、第四微步幅卷积层、第五微步幅卷积层、第六微步幅卷积层、第七微步幅卷积层和第二全连接层共九层。
在发明的一些实施例中，所述LSGAN的判别网络包括：依次相连的第一特征提取层、第一特征映射层、第一inception层、第二特征提取层、第二特征映射层、第二inception层和第一全连接层和最小二乘损失计算层。
在上述的实施例中，所述对所述输入样本进行变换，得到变换输出样本的过程，包括：对所述卡尔曼滤波器融合后输出的惯性导航误差补偿值中的航向角、横滚角、俯仰角分别进行水平方向，四十五度方向，六十度方向，九十度方向，一百二十度方向，一百三十五度方向，一百五十度方向得到变换的输出样本。
优选的，将所述变换样本集中的变换样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合的过程包括：将所述变换输入样本集中的七种变换样本按照梯度变化相应的输入到判别网络的多通道卷积网络中的七个通道，每个通道提取相应的变换样本的特征，将七个通道的特征通过随机形式进行特征融合。
本发明第二方面提供了一种基于北斗GNSS的高精度定位装置包括生成模块、变换模块、判别模块，
生成模块，用于接收噪声和获取当前三维位置以及卡尔曼滤波器融合后输出的惯性导航误差补偿值，生成三维信息；变换模块，用于接收真实的卡尔曼滤波器融合后输出的惯性导航系统误差补偿值，对所述惯性导航系统误差补偿值作不同角度的变换，保存所述惯性导航系统误差补偿值和其变换值作为输入样本，得到变换样本集；判别模块，利用LSGAN神经网络将所述变换输入样本集中的变换输入样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合，得到输出结果。
在发明的一些实施例中，所述生成模块包括生成网络单元，所述生成网络单元包括依次相连的第一全连接层、第一微步幅卷积层、第二微步幅卷积层、第三微步幅卷积层、第四微步幅卷积层、第五微步幅卷积层、第六微步幅卷积层、第七微步幅卷积层和第二全连接层共九层。
在发明的一些实施例中，所述判别模块包括判别网络，所述判别网络包括：依次相连的第一特征提取层、第一特征映射层、第一inception层、第二特征提取层、第二特征映射层、第二inception层和第一全连接层和最小二乘损失计算层。
本发明第三方面提供了一种基于北斗GNSS的高精度定位系统，包括签前述基于北斗GNSS的高精度定位装置。
附图说明
图1为通用GAN模型结构的原理示意图；
图2为本发明的一些实施例中的基于北斗GNSS高精度定位方法流程图；
图3为本发明的一些实施例中的Inception模型图；
图4为本发明一些实施例中的基于北斗GNSS高精度定位系统结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
首先，对本申请中的一些重要术语进行说明：
参考图1，GAN的主要灵感来源于博弈论中零和博弈的思想，应用到深度学习神经网络上来说，就是通过生成网络G(Generator)和判别网络D(Discriminator)不断博弈，进而使G学习到数据的分布特征，如果用到图片生成上，则训练完成后，G可以从一段随机数中生成逼真的图像。G，D的主要功能是：
G是一个生成式的网络，它接收一个随机的噪声z(随机数)，通过这个噪声生成图像；D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D(x)代表x为真实图片的概率，如果为1，就代表100％是真实的图片，而输出为0，就代表不可能是真实的图片。
上述示例是用于图片领域，但GAN的应用包括但不限于图像处理领域。
LSGAN(Least Squares Generative Adversarial Networks最小二乘GAN)原理：
即，使用了最小二乘损失函数代替了GAN的损失函数，但是就这样的改变，缓解了GAN训练不稳定和生成数据的多样性不足的问题。
决策边界：在具有两个类的统计分类问题中，决策边界或决策表面是超曲面，其将基础向量空间划分为两个集合，一个集合。分类器将决策边界一侧的所有点分类为属于一个类，而将另一侧的所有点分类为属于另一个类。
参考图2，本发明第一方面提供一种基于北斗GNSS的高精度定位方法包括如下步骤：S1：接收随机噪声，构建LSGAN神经网络(或称LSGAN神经网络、简称为LSGAN)；S2：确定北斗GNSS信号是否可用；S3：当北斗GNSS信号可用时，LSGAN神经网络处于训练模式：将惯性导航系统输出的三维位置信息以及经卡尔曼滤波器融合后输出的惯性导航系统误差补偿值作为LSGAN神经网络训练的输入样本；获取真实的所述输入样本，对所述输入样本进行不同幅度的变换，保存输入样本和所述变换输入样本，得到变换输入样本集；将所述变换输入样本集中的变换输入样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合，得到输出结果；S4：当北斗GNSS信号缺失时，LSGAN神经网络进入预测模式，以惯性导航系统输出的导航位置信息作为训练后的网络的输入，利用训练后的LSGAN神经网络模型预测出惯性导航系统的误差值，利用该误差值得到修正后的三维位置信息。
为了提高LSGAN样本的拟合能力和预测的准确性，对上述样本集中的数据进行归一化：
假设GNSS失效时刻为t0，前一时刻纬度、经度为θ(t0-1)，δ(t0-1)，令T为失效时长，f为数据采集频率，则预测步数g＝T×f，预测轨迹及误差为：
其中：
为神经网络输出的t时刻预测纬度、经度增量；
为预测纬度、经度；eθ(t0+g)、es(t0+g)为预测经度、纬度误差；e(t0+g)为预测误差。
以一般机动车为例，速度范围为0-120km/h，主要集中在20-40km/h范围内，约50％：航向角范围为0°-360°，主要集中在120°-160°以及300°～340°范围内，分别约28％和24％；横滚角范围为0－5°，主要集中在l-3°；俯仰角范围为－12°-12°，主要集中在－5-5。；加速度范围为－8-8m/s2，对上述数据进行归一化，将上述数据落入到区间[-1,1]，也可根据实际LSGAN神经网络的收敛按[-10,10]区间内进行调整。
在发明的一些实施例中，上述方法还包括当LSGAN神经网络实际输出与期望输出样本之间的误差值大于设定的阈值，循环利用LSGAN神经网络算法得到其网络权值的更新值，直至LSGAN神经网络的实际输出与期望的输出之间的误差小于设定的阈值。
在发明的一些实施例中，LSGAN的生成网络包括：依次相连的第一全连接层、第一微步幅卷积层、第二微步幅卷积层、第三微步幅卷积层、第四微步幅卷积层、第五微步幅卷积层、第六微步幅卷积层、第七微步幅卷积层和第二全连接层共九层。
参考图3，在发明的一些实施例中，LSGAN的判别网络包括：依次相连的第一特征提取层、第一特征映射层、第一inception层、第二特征提取层、第二特征映射层、第二inception层和第一全连接层和最小二乘损失计算层。
在上述的实施例中，所述对所述输入样本进行变换，得到变换输出样本的过程，包括：对所述卡尔曼滤波器融合后输出的惯性导航误差补偿值中的航向角、横滚角、俯仰角分别进行水平方向，四十五度方向，六十度方向，九十度方向，一百二十度方向，一百三十五度方向，一百五十度方向得到变换的输出样本。
在上述的实施例中的LSGAN神经网络中，使用最小二乘可以将分布尽可能的接近决策边界，上述LSGAN神经网络的损失函数定义如下：
上述公式中Pdata(x)为真实样本数据，Pz(x)为随机噪声，G为生成网络，D为判别网络，VLSGAN(D)为判别网络的优化目标函数，VLSGAN(G)为生成网络的优化目标函数；其中设置a＝0,c＝1,b＝1，x代表测试样本集中的样本数据，z为三维信息。样本数据包括前述的经纬度、速度、加速度、航向角、横滚角、俯仰角。
优选的，将上述变换样本集中的变换样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合的过程包括：将所述变换输入样本集中的七种变换样本按照梯度变化相应的输入到判别网络的多通道卷积网络中的七个通道，每个通道提取相应的变换样本的特征，将七个通道的特征通过随机形式进行特征融合。特征是前述从前述样本中抽取的若干个数据，优选的，在本申请中，特征为航向角、横滚角、俯仰角。
本发明第二方面提供了一种基于北斗GNSS的高精度定位装置，包括生成模块、变换模块、判别模块，
生成模块，用于接收噪声和获取当前三维位置以及卡尔曼滤波器融合后输出的惯性导航误差补偿值，生成三维信息；变换模块，用于接收真实的卡尔曼滤波器融合后输出的惯性导航系统误差补偿值，对所述惯性导航系统误差补偿值作不同角度的变换，保存所述惯性导航系统误差补偿值和其变换值作为输入样本，得到变换样本集；判别模块，利用LSGAN神经网络将所述变换输入样本集中的变换输入样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合，得到输出结果。
在发明的一些实施例中，所述生成模块包括生成网络单元，所述生成网络单元包括依次相连的第一全连接层、第一微步幅卷积层、第二微步幅卷积层、第三微步幅卷积层、第四微步幅卷积层、第五微步幅卷积层、第六微步幅卷积层、第七微步幅卷积层和第二全连接层共九层。
在发明的一些实施例中，所述判别模块包括判别网络，所述判别网络包括：依次相连的第一特征提取层、第一特征映射层、第一inception层、第二特征提取层、第二特征映射层、第二inception层和第一全连接层和最小二乘损失计算层。
参考图4，本发明第三方面提供了一种基于北斗GNSS的高精度定位系统，包括GNSS接收机、LSGAN神经网络、卡尔曼滤波模型、惯性导航传感器、GNSS天线、RTK基站。步骤①、步骤②、步骤③、步骤④分别对应前述S1、S2、S3、S4,此处不再赘述。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。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、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，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、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他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、其他可编程数据处理装置、或其他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公开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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实施例。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的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实施例。
Claims (10)
1.一种基于北斗GNSS的高精度定位方法，其特征在于，包括如下步骤：
接收随机噪声，构建LSGAN神经网络模型；
当北斗GNSS信号可用时，LSGAN神经网络处于训练模式：将惯性导航系统输出的三维位置信息以及经卡尔曼滤波器融合后输出的惯性导航系统误差补偿值作为LSGAN神经网络训练的输入样本；获取真实的所述输入样本，对所述输入样本进行不同幅度的变换，保存输入样本和所述变换输入样本，得到变换输入样本集；将所述变换输入样本集中的变换输入样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合，得到输出结果；
当北斗GNSS信号缺失时，LSGAN神经网络进入预测模式，以惯性导航系统输出的导航位置信息作为训练后的网络的输入，利用训练后的LSGAN神经网络模型预测出惯性导航系统的误差值，利用该误差值得到修正后的三维位置信息。
2.根据权利要求1所述的基于北斗GNSS的高精度定位方法，其特征在于，还包括：
当LSGAN神经网络实际输出与期望输出样本之间的误差值大于设定的阈值，循环利用LSGAN神经网络算法得到其网络权值的更新值，直至LSGAN神经网络的实际输出与期望的输出之间的误差小于设定的阈值。
3.根据权利要求1所述的基于北斗GNSS的高精度定位方法，其特征在于，所述LSGAN的生成网络包括：依次相连的第一全连接层、第一微步幅卷积层、第二微步幅卷积层、第三微步幅卷积层、第四微步幅卷积层、第五微步幅卷积层、第六微步幅卷积层、第七微步幅卷积层和第二全连接层共九层。
4.根据权利要求1所述的基于北斗GNSS的高精度定位方法，其特征在于，所述LSGAN的判别网络包括：依次相连的第一特征提取层、第一特征映射层、第一inception层、第二特征提取层、第二特征映射层、第二inception层和第一全连接层和最小二乘损失计算层。
5.根据权利要求1至4中任一项所述的基于北斗GNSS的高精度定位方法，其特征在于，所述对所述输入样本进行变换，得到变换输出样本的过程，包括：对所述卡尔曼滤波器融合后输出的惯性导航误差补偿值中的航向角、横滚角、俯仰角分别进行水平方向，四十五度方向，六十度方向，九十度方向，一百二十度方向，一百三十五度方向，一百五十度方向得到变换的输出样本。
6.根据权利要求5所述的基于北斗GNSS的高精度定位方法，其特征在于，将所述变换样本集中的变换样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合的过程包括：将所述变换输入样本集中的七种变换样本按照梯度变化相应的输入到判别网络的多通道卷积网络中的七个通道，每个通道提取相应的变换样本的特征，将七个通道的特征通过随机形式进行特征融合。
7.一种基于北斗GNSS的高精度定位装置，包括生成模块、变换模块、判别模块，
生成模块，用于接收噪声和获取当前三维位置以及卡尔曼滤波器融合后输出的惯性导航误差补偿值，生成三维信息；
变换模块，用于接收真实的卡尔曼滤波器融合后输出的惯性导航系统误差补偿值，对所述惯性导航系统误差补偿值作不同角度的变换，保存所述惯性导航系统误差补偿值和其变换值作为输入样本，得到变换样本集；
判别模块，利用LSGAN神经网络将所述变换输入样本集中的变换输入样本分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合，得到输出结果。
8.根据权利要求7所述基于北斗GNSS的高精度定位装置，其特征在于，所述生成模块包括生成网络单元，所述生成网络单元包括依次相连的第一全连接层、第一微步幅卷积层、第二微步幅卷积层、第三微步幅卷积层、第四微步幅卷积层、第五微步幅卷积层、第六微步幅卷积层、第七微步幅卷积层和第二全连接层共九层。
9.根据权利要求7所述基于北斗GNSS的高精度定位装置，其特征在于，所述判别模块包括判别网络，所述判别网络包括：依次相连的第一特征提取层、第一特征映射层、第一inception层、第二特征提取层、第二特征映射层、第二inception层和第一全连接层和最小二乘损失计算层。
10.一种基于北斗GNSS的高精度定位系统，包括权利要求7-9中任一所述基于于北斗GNSS的高精度定位装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010634769.4A CN111796310B (zh) | 2020-07-02 | 2020-07-02 | 一种基于北斗gnss的高精度定位方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010634769.4A CN111796310B (zh) | 2020-07-02 | 2020-07-02 | 一种基于北斗gnss的高精度定位方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111796310A true CN111796310A (zh) | 2020-10-20 |
| CN111796310B CN111796310B (zh) | 2024-02-02 |
Family
ID=72811136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010634769.4A Active CN111796310B (zh) | 2020-07-02 | 2020-07-02 | 一种基于北斗gnss的高精度定位方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111796310B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390246A (zh) * | 2017-07-06 | 2017-11-24 | 电子科技大学 | 一种基于遗传神经网络的gps/ins组合导航方法 |
| CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
| CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
| CN111063021A (zh) * | 2019-11-21 | 2020-04-24 | 西北工业大学 | 一种空间运动目标的三维重建模型建立方法及装置 |
| CN112105959A (zh) * | 2018-05-16 | 2020-12-18 | 高通股份有限公司 | 基于多普勒的卫星定位系统测量中的误差缓解 |
| CN116224407A (zh) * | 2023-05-06 | 2023-06-06 | 山东科技大学 | 一种gnss和ins组合导航定位方法及系统 |
-
2020
- 2020-07-02 CN CN202010634769.4A patent/CN111796310B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390246A (zh) * | 2017-07-06 | 2017-11-24 | 电子科技大学 | 一种基于遗传神经网络的gps/ins组合导航方法 |
| CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
| CN112105959A (zh) * | 2018-05-16 | 2020-12-18 | 高通股份有限公司 | 基于多普勒的卫星定位系统测量中的误差缓解 |
| CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
| CN111063021A (zh) * | 2019-11-21 | 2020-04-24 | 西北工业大学 | 一种空间运动目标的三维重建模型建立方法及装置 |
| CN116224407A (zh) * | 2023-05-06 | 2023-06-06 | 山东科技大学 | 一种gnss和ins组合导航定位方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张静娴;杨英东;钱峰;: "基于卡尔曼滤波-神经网络预测的GNSS/INS误差反馈校正的研究", 电子设计工程, no. 10, pages 103 - 105 * |
| 高宪军, 翟林培: "GPS/INS组合导航系统的研究", 光学精密工程, no. 02, pages 146 - 150 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111796310B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018209336B2 (en) | Determining the location of a mobile device | |
| CN109492580B (zh) | 一种基于全卷积网络的邻域显著性参照的多尺寸航拍图像定位方法 | |
| CN114488230B (zh) | 一种多普勒定位方法、装置、电子设备和存储介质 | |
| Wang et al. | Technology of gravity aided inertial navigation system and its trial in South China Sea | |
| CN111402299A (zh) | 基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置 | |
| CN107783555A (zh) | 一种基于无人机的目标定位方法、装置及系统 | |
| CN115902866A (zh) | 一种船用光电多源目标融合探测处理方法 | |
| CN114529767A (zh) | 基于双阶段对比学习框架的小样本sar目标识别方法 | |
| CN114046790A (zh) | 一种因子图双重回环的检测方法 | |
| AU2018208816B2 (en) | Determining the location of a mobile device | |
| CN111796310A (zh) | 一种基于北斗gnss的高精度定位方法、装置及系统 | |
| Shan et al. | Cooperative localization based on GPS correction and EKF in urban environment | |
| CN110927765A (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
| Takenga et al. | On the accuracy improvement issues in GSM location fingerprinting | |
| CN110514199B (zh) | 一种slam系统的回环检测方法及装置 | |
| Kim et al. | Kalman–Hatch dual‐filter integrating global navigation satellite system/inertial navigation system/on‐board diagnostics/altimeter for precise positioning in urban canyons | |
| Ružička et al. | Correcting Defective Trajectories using Conditional GAN | |
| CN114693988B (zh) | 卫星自主位姿的判定方法、系统及存储介质 | |
| Sinthopvaragul et al. | Real time map matching for low frequency GPS data based on machine learning technology | |
| CN116010824A (zh) | 一种基于lstm的协同地图匹配高精度车辆定位方法 | |
| Hao et al. | Hierarchical adaptive gate array-based Kalman filter for multisensor integrated navigation system | |
| CN116973957A (zh) | 定位信息处理方法、装置、设备和介质 | |
| CN114355409A (zh) | 水面目标运动估计方法 | |
| Issawy et al. | Improving Smartphones GNSS Elevation Accuracy using Embedded Sensors and External Sources | |
| CN118196498A (zh) | 基于深度学习的视觉导航品质因子分类方法及计算机设备 |
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 |