CN112105959B - 基于多普勒的卫星定位系统测量中的误差缓解 - Google Patents

基于多普勒的卫星定位系统测量中的误差缓解 Download PDF

Info

Publication number
CN112105959B
CN112105959B CN201980032033.5A CN201980032033A CN112105959B CN 112105959 B CN112105959 B CN 112105959B CN 201980032033 A CN201980032033 A CN 201980032033A CN 112105959 B CN112105959 B CN 112105959B
Authority
CN
China
Prior art keywords
gnss
measurements
doppler
gnss doppler
measurement
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
Application number
CN201980032033.5A
Other languages
English (en)
Other versions
CN112105959A (zh
Inventor
G.尼鲁拉
W.莫里森
S.吉
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.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
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 Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN112105959A publication Critical patent/CN112105959A/zh
Application granted granted Critical
Publication of CN112105959B publication Critical patent/CN112105959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S19/40—Correcting position, velocity or attitude
    • 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
    • G01S19/52—Determining velocity
    • 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
    • G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
    • G01S19/25—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS
    • G01S19/254—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS relating to Doppler shift of satellite signals
    • 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
    • G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
    • G01S19/29—Acquisition or tracking or demodulation of signals transmitted by the system carrier including Doppler, related
    • 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
    • G01S19/22—Multipath-related issues
    • 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
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • 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
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled

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)
  • Navigation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

所公开实施例促进地面定位系统中的准确度并减少误差，包括SV的基于多普勒的测量中由多路径传播(例如，地面反射)引发的误差。在一些实施例中，可以获得一个或多个卫星的一个或多个全球导航卫星系统(GNSS)多普勒测量值和一个或多个对应的GNSS伪距测量值。可以确定与一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值，其中对于GNSS多普勒测量值，可以部分地基于GNSS多普勒测量值和与GNSS多普勒测量值对应的GNSS伪距测量值来确定对应的GNSS多普勒估计值。可以部分地基于一个或多个GNSS多普勒估计值来确定UE的速度。

Description

基于多普勒的卫星定位系统测量中的误差缓解
相关申请的交叉引用
本申请要求2018年5月16日提交的标题为“ERROR MITIGATION IN DOPPLER BASEDSATELLITE POSITIONING SYSTEM MEASUREMENTS”的美国临时申请第62/672,165号以及2018年8月21日提交的标题为“ERROR MITIGATION IN DOPPLER BASED SATELLITEPOSITIONING SYSTEM MEASUREMENTS”的美国非临时申请第16/108,019号的权益和优先权，这些申请转让给本受让人，并且在此以全文引用的方式并入。
技术领域
本文中所公开的主题总体上涉及地面定位系统，更具体地，涉及用于促进准确的基于多普勒的卫星定位系统测量的系统和方法。
背景技术
诸如全球导航卫星系统(Global Navigation Satellite System，GNSS)的卫星定位系统(Satellite Positioning System，SPS)常常用于确定速度、位置或与用户设备(UE)的位置和/或运动有关的其他参数。距离测量可以指两个实体(诸如UE与太空运载工具(Space Vehicle，SV)(诸如卫星))之间的距离测量(例如，基于传播延迟)。距离变率测量是指两个实体(诸如UE与SV)之间的距离的变化率。距离变率测量可以基于一段时间内两个距离测量值之间的差异而获得。距离变率测量可以指示UE与SV之间的距离在某一时间点是否在减少(UE和/或SV朝向彼此移动)，或在某一时间点是否在增加(UE和/或SV远离彼此移动)。多普勒频移(例如，相对于参考信号频率或预期信号频率)或与在UE处接收的由SV进行的传输相关联的多普勒频移的改变可以用于确定UE的速度(行进的速度和方向)。基于多普勒的GNSS测量可能受诸如SV信号的地面反射的多路径传播的影响，从而导致测量不准确。测量不准确可能不利地影响速度确定、位置确定、UE的行进距离的确定，和/或UE上的其他定位或导航功能。
发明内容
在一些实施例中，一种在用户设备(UE)上执行的方法可以包括：获得一个或多个卫星的一个或多个全球导航卫星系统(GNSS)多普勒测量值和一个或多个对应的GNSS伪距测量值；确定与一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值，其中对于GNSS多普勒测量值，部分地基于GNSS多普勒测量值和与GNSS多普勒测量值对应的GNSS伪距测量值来确定对应的GNSS多普勒估计值；和至少部分地基于一个或多个GNSS多普勒估计值来确定UE的速度。
在另一方面中，一种用户设备(UE)可以包括：能够接收全球导航卫星系统(GNSS)信号的收发器；和耦接到收发器的处理器。处理器可以被配置为：获得一个或多个卫星的一个或多个GNSS多普勒测量值和一个或多个对应的GNSS伪距测量值；确定与一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值，其中对于GNSS多普勒测量值，部分地基于GNSS多普勒测量值和与GNSS多普勒测量值对应的GNSS伪距测量值来确定对应的GNSS多普勒估计值；和至少部分地基于一个或多个GNSS多普勒估计值来确定UE的速度。
在另一方面中，一种用户设备(UE)可以包括：用于获得一个或多个卫星的一个或多个GNSS多普勒测量值和一个或多个对应的GNSS伪距测量值的构件；用于确定与一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值的构件，其中对于GNSS多普勒测量值，部分地基于GNSS多普勒测量值和与GNSS多普勒测量值对应的GNSS伪距测量值来确定对应的GNSS多普勒估计值；和用于至少部分地基于一个或多个GNSS多普勒估计值来确定UE的速度的构件。
在一些实施例中，非暂时性计算机可读介质包括可执行指令以配置用户设备(UE)上的处理器进行以下操作：获得一个或多个卫星的一个或多个GNSS多普勒测量值和一个或多个对应的GNSS伪距测量值；确定与一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值，其中对于GNSS多普勒测量值，部分地基于GNSS多普勒测量值和与GNSS多普勒测量值对应的GNSS伪距测量值来确定对应的GNSS多普勒估计值；和至少部分地基于一个或多个GNSS多普勒估计值来确定UE的速度。
所公开的方法可以由UE使用包括载波相位测量的GNSS信号、来自地面无线系统(其可以使用长期演进(LTE)定位协议(LTE Positioning Protocol，LPP)、LPP延伸(LPPextension，LPPe)或其他协议)、惯性测量单元(Inertial Measurement Unit，IMU)和其他传感器的信号的组合来执行。
附图说明
图1示出了说明根据一些所公开实施例的能够支持定位相关测量的UE的某些示例性特征的示意性框图。
图2示出了能够以与本文中所公开的实施例一致的方式向UE 100提供定位相关服务的系统的架构。
图3说明了在某一时间点由UE 100进行的例如SV 280-4的SV测量中的多路径传播效应。
图4A示出了用于确定使基于参考数据的UE的行进距离与以下各项中的一个或多个相关的数学模型的示例性方法：对应的GNSS伪距测量值、对应的GNSS多普勒测量值、对应的GNSS环境参数和/或对应的IMU/传感器测量值。
图4B示出了用于使用基于参考数据的UE的行进距离和以下各项中的一个或多个确定预测模型的示例性方法：对应的GNSS伪距测量值、对应的GNSS多普勒测量值、对应的GNSS环境参数和/或对应的IMU/传感器测量值。
图5A示出了用于基于数学模型确定经校正UE速度的方法的流程图。
图5B示出了用于基于预测模型确定预测UE速度的方法的流程图。
图6A示出了用于基于数学模型确定经校正GNSS多普勒估计值的方法的流程图。
图6B示出了用于基于预测模型确定预测多普勒估计值的方法的流程图。
图7示出了用于部分地基于GNSS多普勒测量值和GNSS伪距测量值来确定多普勒估计值的方法的流程图。
具体实施方式
所公开实施例促进准确度，并减少地面定位系统中的误差。在一些实施例中，SV的基于多普勒的测量中(例如，在卫星定位系统中)由多路径传播(例如，地面反射)引发的误差被缓解，由此促进定位相关测量中的准确度提高和可靠性改善。在一些实施例中，所公开技术可应用于基于多普勒的测量以获得与基于多普勒的测量对应的多普勒估计值。多普勒估计值可以减少对应的基于多普勒的测量的误差和/或改善其准确度。例如，基于多普勒的测量可以连同其他参数一起输入到数学模型和/或预测模型。数学模型可以基于输入的参数输出多普勒估计值(例如，基于统计学技术)。预测模型可以基于机器学习而获得，并且可以基于输入参数预测多普勒估计值。多普勒估计值(例如，由数学模型和/或预测模型输出)可以促进下游定位相关操作中的误差减少和/或准确度改善。术语“多路径传播”用于指当UE接收直接(视线)信号和间接(非视线)信号的混合或仅间接信号时出现的误差。例如，间接信号可由地面反射产生。术语“定位相关测量”是指可用于确定某一时间的位置、包括某一时间的瞬时速度和/或某一时间间隔内的平均速度的UE速度、UE速度、一段时间内的行进距离，和/或与位置和/或导航有关的其他参数的测量。
基于多普勒的测量利用多普勒效应。多普勒效应是指由于接收器与发送器之间的相对运动、所接收信号(例如，在接收器处)的频率相对于所发送信号(例如，由发送器发送)的频率的观测到的改变。多普勒测量值可以用于确定UE(接收器)与SV之间的距离变率。距离变率是指UE与SV之间的测距或距离在一段时间内改变的速率。即使当UE静止时，SV也在运动。因为SV的轨迹可以是已知的，所以由特定SV发送的信号的多普勒频移是可预测的，并且可以用于UE定位确定。在UE也独立移动(例如，由于用户移动)的情况下，多普勒频移可能不同于预期或预测频移。SV的多普勒频移的这些变化(相对于预测或预期多普勒频移)可用于确定UE的速度(速度值和行进方向)。例如，当UE在移动时，标称地来自卫星的多普勒频移与基于UE的移动(相对于该标称多普勒频移)的改变之间的关系可用于确定UE的速度。
术语“用户装置”(UD)或“用户设备”(UE)在本文中可互换地使用，并且可指代诸如以下各项的装置：蜂窝或其他无线通信装置、个人通信系统(personal communicationsystem，PCS)装置、个人导航装置(personal navigation device，PND)、个人信息管理器(Personal Information Manager，PIM)、个人数字助理(Personal Digital Assistant，PDA)、膝上型计算机或其他能够接收无线通信和/或导航信号的合适移动装置。术语也意图包括诸如通过短程无线、红外、有线连接或其他连接与个人导航装置(PND)通信的装置，无论卫星信号接收、辅助数据接收和/或位置相关处理是发生在该装置处还是发生在该PND处。UE可表示移动电话、记事本计算机或膝上型计算机，或UE可以是运载工具或运载工具中的系统，其收集测量值集合，以用于提供实时位置、运动相关信息、导航信息和/或用于地图创建。
另外，术语UD、UE、“移动台”、“移动装置”或“目标”意图包括能够诸如经由因特网、Wi-Fi、蜂窝无线网络、DSL网络、分组电缆网络或其他网络与服务器通信的所有装置，包括无线和有线通信装置、计算机、膝上型计算机等，无论卫星信号接收、辅助数据接收和/或位置相关处理是发生在该装置处，发生在服务器处，还是发生在与网络相关联的另一装置处。
图1示出了说明根据一些所公开实施例的能够支持定位相关测量的UE100的某些示例性特征的示意性框图。在一些实施例中，定位相关测量可以包括速度、一段时间内的行进距离、运动相关参数、定位相关测量等的确定。在一些实施例中，以与所公开实施例一致的方式，定位相关测量可基于以下各项中的一个或多个：GNSS信号测量、RF信号测量(例如，无线局域网络(WLAN)和/或无线广域网(WWAN)信号)、IMU和/或基于传感器的测量。
UE 100可以例如包括可以与一个或多个连接120(例如，总线、管线、光线、链路等)彼此操作性地耦接的一个或多个处理器150、存储器130、收发器110(例如，无线网络接口)和卫星定位系统(SPS)接收器/GNSS接收器140(下文中为“GNSS接收器140”)、光学传感器(OS)180、惯性测量单元(IMU)170、传感器185和显示器190。在某些示例实施方式中，UE 100的全部或部分可以采取芯片组和/或类似物的形式。在一些实施例中，UE 100可以包括机载振荡器和/或时钟(图1中未示出)，该机载振荡器和/或时钟可用于(例如，由(多个)处理器150)测量事件之间经过的时间。在一些实施例中，UE 100可以包括可以处于内部或外部的一个或多个UE天线(未示出)。UE天线可用于发送和/或接收由收发器110和/或GNSS接收器140处理的信号。
可以启用GNSS接收器140以接收与一个或多个SPS/GNSS资源相关联的信号。所接收的SPS/GNSS信号可以储存于存储器130中和/或由(多个)处理器150使用以确定UE 100的位置或导出其他定位相关测量。在一些实施例中，GNSS接收器140可以包括码相位接收器和载波相位接收器，该载波相位接收器可以测量载波相关信息。载波的频率通常比其携载的伪随机噪声(pseudo random noise，PRN)(码相位)序列高得多，从而载波可以促进更准确的位置确定和/或定位相关测量。术语“码相位测量”是指使用粗略采集(CoarseAcquisition，C/A)码接收器进行的测量，该C/A码接收器使用PRN序列中含有的信息来计算UE 100的位置。术语“载波相位测量”是指使用载波相位接收器进行的测量，该载波相位接收器使用载波信号来计算位置。例如对于GPS而言，载波信号可以采用1575.42MHz的信号L1(其携载状态消息和用于定时的伪随机码两者)和1227.60MHz的L2信号(其携载更精确的军用伪随机码)的形式。
在一些实施例中，UE 100可以部分地基于可以利用多普勒效应的GNSS多普勒测量值(例如，基于由GNSS接收器140接收的信号)来确定其速度。多普勒效应是指由于接收器与发送器之间的相对运动、所接收信号(例如，在接收器处)的频率相对于所发送信号(例如，由发送器发送)的频率的观测到的改变。因为SV的轨迹可以是已知的，所以由特定SV发送的信号的多普勒频移是可预测的，并且可用于UE位置确定和/或用于定位相关测量。如果UE100也独立移动(例如，由于用户移动)，则多普勒频移可能不同于预期或预测频移。SV的多普勒频移的这些变化(相对于预测或预期多普勒频移)可用于确定UE的速度(速度值和行进方向)。例如，多普勒测量值可用于确定UE(接收器)与SV之间的距离变率。距离变率是指UE与SV之间的测距或距离在一段时间内改变的速率。为了估计距离变率，UE可以通过对一段较短时间(例如，0.1s)内的多普勒测量值求积分、然后将其除以积分区间的持续时间以获得随时间变化的积分多普勒测量值，来求得距离改变(或差量距离)的平均值。
GNSS多普勒测量值是指载波相位导出的多普勒测量值和/或接收器生成的多普勒测量值(例如，由UE 100上的GNSS接收器140生成)两者。载波相位导出的多普勒测量值和/或接收器生成的多普勒测量值(例如，基于UE 100上的GNSS接收器140生成的标称地恒定的参考频率)两者均可用于确定速度。接收器生成的GNSS多普勒测量值可用于确定(接近)瞬时速度，并且通常发生在相对较短的时间间隔内。载波相位导出的多普勒测量值可用于确定两个测量时刻之间的平均速度。载波相位导出的多普勒测量值通常是在较长的时间跨度内计算的，从而导致多普勒测量值更平滑。术语测量时刻是指接收器进行测量的时间点。测量间隔或测量之间的时间间隔确定测量时刻比率或时刻比率。在一些实施例中，载波相位导出的多普勒测量值可由时域中的不同载波相位观测而获得。
在一些实施例中，UE 100也可从无线广域网(WWAN)(例如，在系统信息块(SIB)中)或无线局域网络(WLAN)接收参考时间传输(例如，GNSS时间，诸如全球定位系统(GPS)时间或协调世界时)，这些参考时间传输可用于维持和/或校正由UE 100维持的时间信息(例如，基于机载振荡器/时钟)。在一些实施例中，UE 100可以测量接收到的信号，包括信号强度、信号到达时间、信号相位、信号频率和可由(多个)处理器150处理的原始测量值。例如，可以对从SV接收的信号进行分析和处理以确定多普勒频移相对于卫星的标称或预期多普勒频移的变化。在一些实施例中，UE 100和/或(多个)处理器150可以确定与多普勒测量值对应的多普勒估计值。多普勒估计值可减少对应的多普勒测量值的误差和/或改善其准确度。例如，基于多普勒的测量可连同其他参数一起输入到数学模型和/或预测模型。数学模型可以基于输入参数输出多普勒估计值(例如，基于统计学技术)。预测模型可以基于机器学习而获得，并且可基于输入参数预测多普勒估计值。多普勒估计值(例如，由数学模型和/或预测模型输出)可以促进其他定位相关计算(例如，速度确定、行进距离等)中的误差减少和/或准确度改善。
例如，收发器110可以包括能够通过一种或多种类型的无线通信网路发送一个或多个信号的发送器112和接收通过一种或多种类型的无线通信网路发送的一个或多个信号的接收器114。无线通信网路可包括例如：包括蜂窝网络的WWAN，和/或局域网络(LAN)，和/或WLAN和/或无线个人局域网络(WPAN)。举例而言，局域网络(LAN)可以是电机电子工程师学会(IEEE)802.3x网络。WLAN可以是IEEE 802.11x网络。WPAN可以是蓝牙网络、IEEE802.15x或一些其他类型的网络。技术也可结合WWAN、WLAN和/或WPAN的任何组合来实施。
在一些实施例中，UE 100也可以包括惯性测量单元(IMU)170。在一些实施例中，可以包括(多个)3-轴加速度计、(多个)3-轴陀螺仪和/或(多个)磁力计的IMU 170可将速度、朝向和/或其他位置相关信息提供给(多个)处理器150。磁力计可能能够测量地球磁场的强度和/或方向，并且可以充当罗盘和/或提供UE 100的行进方向的指示。在一些实施例中，IMU 170的输出可以部分地由(多个)处理器150用于确定UE 100的位置和朝向。
在一些实施例中，UE 100也可以可选地或另外地包括传感器185，该传感器可以包括以下各项中的一个或多个：高度计、气压计、超音波传感器、深度传感器等。在一些实施例中，传感器185可以包括磁力计。传感器185可以向(多个)处理器150提供输入以促进定位相关功能。例如，由高度计进行的测量可用于提供高度高于经校准水平的指示，而由气压计进行的测量可以提供大气压的指示，其也可用于获得高度的确定。一般而言，上文的传感器列表并不详尽，并且传感器185可以包括愈来愈多地并入到UE 100中的各种其他传感器类型。
在一些实施例中，UE 100可包括OS 180，该OS 180可以包括CCD或CMOS传感器和/或(多个)相机180。在一些实施例中，OS 180可以包括或耦接到LIDAR单元/激光以及相关联的仪器，包括扫描仪、光电检测器和接收器电子器件。OS 180可以将光学图像或信号转换成电子或数字图像，并且可以将捕获的图像传送到(多个)处理器150。例如，在一些实施例中，OS180可以单独封装，并且可以操作性地耦接到显示器190、(多个)处理器150和/或UE 100中的其他功能单元。
(多个)处理器150可以使用硬件、固件和软件的组合来实施。例如，诸如定位引擎(Positioning Engine，PE)156(下文中为PE 156)的软件代码可储存于计算机可读介质中，该计算机可读介质可以形成存储器130的一部分。PE 156可以包括促进使用从以下各项中的一个或多个导出(独立导出，或者结合接收到的位置辅助数据导出)的信息的功能性：无线测量(例如，GNSS测量)和/或由OS 180捕获的图像、IMU 170和/或传感器185进行的测量，以确定位置、UE 100的位置不确定性估计值和/或确定其他定位相关测量(例如，速度、行进距离等)。(多个)处理器150可以使用软件、固件和/或诸如专用集成电路(ASIC)、数字信号处理器(DSP)和/或专用处理器的专用电路的某一组合来实施。在一些实施例中，(多个)处理器150可以执行下文关于图4至图6描述的定位相关功能中的一些或全部。
对于硬件实施方式，(多个)处理器150可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、电子装置、被设计成执行本文中所描述的功能的其他电子单元，或其组合内实施。对于固件和/或软件实施方式，方法可以使用执行本文中描述的功能的程序代码、程序、功能等来实施。有形地体现指令的任何机器可读介质可以用于实施本文中描述的方法。例如，软件或程序代码(例如，PE156)可储存于计算机可读介质中，该计算机可读介质可形成耦接到(多个)处理器150的存储器130的一部分。程序代码(例如，PE 156)可由(多个)处理器150读取和执行。
存储器130可以表示任何数据储存机构。存储器可以在(多个)处理器150内或在(多个)处理器150外部实施。如本文中所使用，术语“存储器”指代任何类型的长期、短期、易失性、非易失性或其他存储器，并且不应限于任何特定类型的存储器或任何特定数量的存储器或储存存储器的介质的类型。例如，存储器130可以包括主存储器和/或辅助存储器。例如，主存储器可包括随机存取存储器、只读存储器等。虽然在该示例中示出为与(多个)处理器150分离，但应理解，主存储器的全部或部分可设置于(多个)处理器150内，或以其他方式与(多个)处理器150共置/耦接。例如，辅助存储器可以包括与主存储器相同或类似类型的存储器，和/或一个或多个数据储存装置或系统，诸如磁盘驱动器、光盘驱动器、磁带驱动器、固态存储器驱动器等。在某些实施方式中，辅助存储器可以操作性地接受计算机可读介质或以其他方式可配置以耦接到计算机可读介质。因而，在某些示例实施方式中，本文中呈现的方法和/或设备可以采取计算机可读介质的整体或部分形式，该计算机可读介质可以包括在上面储存的计算机可实施指令(诸如PE 156)，这些指令如果由至少一个处理器150执行则可以操作性地启用以执行如本文描述的示例操作的全部或部分。
在一些实施例中，存储器130可以保存程序代码(例如，PE 156)和/或数据，以促进由(多个)处理器150执行的基于多普勒的GNSS测量、UE速度确定、距离确定、导航和位置确定相关功能的准确度以及误差缓解。例如，存储器160可以保存SV的历书/星历表数据、数学模型和/或预测模型中的一个或多个，以部分地基于基于多普勒的GNSS测量来确定多普勒估计值，和/或促进在基于多普勒的GNSS测量、由IMU 170和/或传感器185提供的数据、捕获的静态图像和/或程序结果等中的误差缓解和准确度改善。
计算机可读介质可包括物理计算机储存介质。储存介质可以是可由计算机存取的任何可用介质。借助于示例而非限制，这种非暂时性计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM、闪存或其他光盘储存装置，磁盘储存装置或其他磁性储存装置，或任何其他可用于储存呈指令和/或数据的形式的所需程序代码并且可由计算机存取的介质；如本文中所使用，磁盘和光盘包括紧凑式光盘(CD)、激光光盘、光学光盘、数字多功能光盘(DVD)、软性磁盘和蓝光光盘，其中磁盘通常以磁性方式再此类数据，而光盘由激光以光学方式再此类数据。以上的组合也应包括于计算机可读介质的范围内。计算机可读介质160可以是存储器130的一部分。
另外，在一些情况下，在通信设备中，指令和/或数据可作为信号提供。例如，通信设备可包括收发器110，该收发器可经由接收器112接收指示指令和数据的信号。指令和数据可以使得一个或多个处理器实施本文中概述的功能。
此外，UE 100可以包括能够呈现包括3D图像的彩色图像的屏幕或显示器190。在一些实施例中，显示器190可用于显示由(多个)相机180捕获的实况图像、图形用户界面(GUI)、编程输出等。在一些实施例中，显示器190可以包括和/或封装有触摸屏，以准许用户经由虚拟键盘、图标、菜单或其他图形用户界面(GUI)、用户手势和/或诸如触控笔和其他写入工具的输入设备的某一组合来输入数据。在一些实施例中，显示器190可以使用液晶显示器(LCD)显示器或发光二极管(LED)显示器(诸如有机LED(OLED)显示器)实施。在其他实施例中，显示器190可单独封装，并且可以操作性地耦接到相机180、(多个)处理器150和/或UE100中的其他功能单元。
图2示出了能够以与本文中所公开的实施例一致的方式向UE 100提供定位相关服务的系统200的架构。在一些实施例中，系统200可用于将位置辅助数据(诸如一个或多个GNSS SV 280的更新后的历书或星历表数据)传输到UE 100。例如，在一些情况下，基于接收到的位置辅助数据，UE 100可以获得GNSS卫星测量值，UE 100可以在本地使用该GNSS卫星测量值来确定其速度等。
如图2所示，UE 100可经由网络230和可与网络230相关联的基站天线240-1至240-4(统称为天线240)与服务器250通信。在一些情况下，服务器250可以提供位置服务器、位置辅助服务器、位置确定实体(position determination entity，PDE)或另一网络实体中的一个或多个的功能性。位置和其他信息可以对于UE 100和服务器250两者以合适的速率进行传输。
在一些实施例中，系统100可以使用诸如UE 100与服务器250之间的LPP或LPPe消息的消息。LPP协议是熟知的，并且被描述于各种公开可用的技术规范中，这些技术规范来自被称为第三代合作伙伴计划(3GPP)的组织。LPPe已被开放移动联盟(OMA)定义，并且可与LPP组合使用，使得每一组合的LPP/LPPe消息将会是包括嵌入式LPPe消息的LPP消息。
在一些实施例中，UE 100可从基站天线240接收可以用于位置确定的位置辅助信息，诸如一个或多个SV 280的历书/星历表数据。天线240可以形成无线通信网路的一部分，该无线通信网路可以是WWAN、WLAN等。WWAN可以是码分多址(CDMA)网络、时分多址(TDMA)网络、频分多址(FDMA)网络、正交频分多址(OFDMA)网络、单载波频分多址(SC-FDMA)网络、长期演进(LTE)、WiMax等。
CDMA网络可以实施一个或多个无线电访问技术(RAT)，诸如cdma2000、宽带CDMA(W-CDMA)等等。cdma2000包括IS-95、IS-2000和IS-856标准。TDMA网络可以实施全球移动通信系统(GSM)、数字高级移动电话系统(D-AMPS)或某一其他RAT。GSM、W-CDMA和LTE被描述于来自被称为“第三代合作伙伴计划”(3GPP)的组织的文献中。cdma2000描述于来自被称为“第三代合作伙伴计划2”(3GPP2)的协会的文献中。3GPP和3GPP2文献可公开取得。WLAN可以是IEEE 802.11x网络。这些技术也可结合WWAN、WLAN等的任何组合来实施。例如，天线240和网络230可以形成例如演进型UMTS地面无线电访问网络(E-UTRAN)(LTE)网络、W-CDMAUTRAN网络、GSM/EDGE无线电访问网络(GERAN)、1xRTT网络、演进数据优化(EvDO)网络、WiMax网络或WLAN的一部分。在一些实施例中，UE 100可从由耦接到天线240的基站所发送的SIB接收参考时间，诸如GNSS时间。
UE 100也可以从可以作为GNSS的一部分的诸如SV 280-1、280-2、280-3和/或280-4(下文中被称作“SV 280”)的一个或多个地球轨道太空运载工具(SV)280接收信号。例如，SV 280可以在GNSS星座中，GNSS星座诸如US全球定位系统(GPS)、欧洲Galileo系统、俄罗斯Glonass系统或中国罗盘系统。根据某些方面，本文中呈现的技术不受限于全球卫星系统。例如，本文中所提供的技术可应用于或以其他方式用于各种区域性系统，诸如日本上空的准天顶卫星系统(QZSS)、印度上空的印度区域性导航卫星系统(IRNSS)和/或可与一个或多个全球和/或区域性导航卫星系统相关联或以其他方式与其一起使用的各种扩增系统(例如，基于卫星的扩增系统(SBAS))。借助于示例而非限制，SBAS可包括提供完整性信息、差异校正等的(多个)扩增系统，诸如广域扩增系统(WAAS)、欧洲地球同步导航覆盖服务(EGNOS)、多功能卫星扩增系统(MSAS)、GPS辅助地理扩增导航或GPS和地理扩增导航系统(GAGAN)和/或类似物。因此，如本文所使用，SPS/GNSS可以包括一个或多个全球和/或区域性导航卫星系统和/或扩增系统的任何组合，并且SPS/GNSS信号可包括SPS、类SPS和/或与这种一个或多个SPS/GNSS相关联的其他信号。SPS/GNSS也可以包括其他非导航专用卫星系统，诸如Iridium或OneWeb。在一些实施例中，GNSS接收器140可以被配置为从上文的SPS/GNSS/卫星系统中的一个或多个接收信号。
为简单起见，图2中仅示出一个UE 100、服务器250和四个SV 280。一般而言，系统100可包括由245-k指示的多个小区(0≤k≤Ncell，其中Ncell为小区的数量)，以及额外的网络230、LCS客户端260、UD 100、服务器250、(基站)天线240和SV 280。以与本文中所公开的实施例一致的方式，系统100还可以包括小区的混合，这些小区包括微小区和毫微微小区。
UE 100可能能够经由支持定位和位置服务的一个或多个网络230与服务器250无线通信，以获得初始粗略位置，该初始粗略位置可以结合历书/星历表信息用于定位相关测量，如本文中进一步描述。例如，UE 100可以使用GNSS基于多普勒的速度确定，并且基于GNSS测量值来计算其某一时间的瞬时速度，或在一时间间隔内的平均速度，和/或在某一时间间隔内的行进距离，和/或其他定位相关参数。在一些实施例中，UE 100可以使用GNSS定位(例如，基于伪距测量值)来估计时间间隔开始时的第一位置和时间间隔结束时的第二位置，并且基于第一位置与第二位置之间的差来确定行进距离。可以基于行进距离和时间间隔长度来获得其他定位相关参数，例如速度。
在一些实施例中，GNSS测量值可以用来自以下各项中的一个或多个的测量值来扩增：IMU 170、传感器185、WWAN/WLAN信号的测量值和/或经由WWAN/WLAN网络接收的信息。作为一个示例，在某一时间间隔内的GNSS测量值(例如，由UE 100获得)可以被调整或以其他方式修改以确定对应的GNSS估计值。例如，GNSS估计值(其可以反映对GNSS测量值的校正、调整或修改)可以基于来自IMU 170和/或传感器186的测量值，和/或来自WWAN/WLAN网络的信号，和/或该时间间隔内的其他参数。参数可输入到模型(例如，数学和/或预测模型)，该模型可输出GNSS估计值。作为另一示例，IMU 170和/或传感器186和/或来自WWAN/WLAN网络的信号可用于获得独立的位置估计、某一时间间隔内UE的行进距离、速度和/或其他定位相关参数。在一些实施例中，当GNSS测量值受环境条件影响和/或在一段时间内不可用时，来自IMU 170和/或传感器186的测量值和/或来自WWAN/WLAN网络的信号可用于获得定位相关参数的估计。
在一些实施例中，UE 100可以基于以下各项中的一个或多个确定位置(例如，纬度、经度)：GNSS测量值、IMU测量值、传感器测量值、WWAN信号测量值、WLAN信号测量值或其某一组合。例如，当四个SV 280可见时，UE 100能够确定其3维(3D)位置(例如，纬度、经度和高度)。在一些实施例中，UE 100可以使用由耦接到天线240的基站(BS)提供的定位参考信号(Positioning Reference Signal，PRS)以及天线的已知位置来确定其位置。在一些实施例中，UE 100可以使用诸如高级前向链路三角测量(Advanced Forward LinkTrilateration，AFLT)的方法使用发送器的已知位置(WWAN或WLAN)来确定其位置。在一些实施例中，UE 100的位置可使用来自IMU 170和/或传感器185的测量值进行确定和/或扩增。
在一些实施例中，UE 100可以基于GNSS多普勒测量值来确定其速度。GNSS多普勒测量值是指载波相位导出的多普勒测量值和/或接收器生成的多普勒测量值(例如，由UE100上的GNSS接收器140生成)两者。例如，载波相位导出的多普勒测量值或接收器生成的多普勒测量值(例如，基于UE100上的GNSS接收器140生成的标称恒定的参考频率)可用于确定速度。在一些实施例中，与GNSS多普勒测量值对应的GNSS估计值(例如，由数学模型和/或预测模型输出)可以用于确定定位相关测量值，包括速度、行进距离等。
图3说明了在一时间点由UE 100进行的例如SV 280-4的SV测量中的多路径传播效应。如图3中所示，在时间t，UE 100可位于点L 310处。UE100可相对于参考系以UE速度X350移动。幅度或UE 100的速度可以例如以米/秒或其他适当的单位表达。在UE 100处可以接收到来自SV 280-4的信号，在时间t，SV 280-4可位于位置S 330处并且以速度370移动。幅度/>或SV 280-4的速度可以例如以米/秒或其他适当的单位表达。由UE100接收的信号可以包括直接从SV 280-4接收的遵循路径P＝SL的视线(LOS)信号，和在点G 360处反射的遵循路径SG和GL的多路径传播信号(例如，来自地面反射)。
对于LOS GNSS信号(例如，来自SV 280-4)，UE速度350可能导致GNSS多普勒测量值相对于预期或标称多普勒频率发生改变。取决于UE 100相对于SV 280-4的运动方向，GNSS多普勒测量值的改变可以是正的或负的。来自SV 280-4的信号的地面反射的多路径传播可能导致在UE 100处观测到的GNSS多普勒测量值改变更低(相对于没有多路径传播的情况下来自SV 280-4的LOS信号的观测)。因此，基于GNSS多普勒测量值的速度和其他定位相关测量值的准确度和可靠性可能受到不利影响。例如，当存在来自地面反射的多路径传播时，基于对GNSS多普勒测量值求积分后的速度的行进距离计算值在统计上可能低于UE 100的实际或真实行进距离。
在图3中，从点L 310(UE 100在时间t所处的位置)到点S 330(SV在时间t所处的位置)的LOS路径被指示为LOS伪距P 380。相应地，SV280-4的基于多普勒的LOS测量值DLOS是和/>的方向余弦的函数。方向余弦是指两个向量(例如，上文的/>和/>)之间的角度的余弦。术语伪距是指SV(例如，诸如一个SV 280)与UE(例如，UE 100)之间的估计距离(也被称为伪距离)。因为用来计算距离的时间测量值的误差可能影响距离确定，所以使用术语伪距。通过确定与至少四个卫星的距离和这些卫星各自的位置，UE可以确定其自身在某一给定时间的位置。给定时间的卫星位置可以基于卫星轨道参数的知识来确定。卫星的伪距可通过将光速乘以信号从卫星到达接收器的估计时间来获得。
在图3中，到UE 100的非LOS(NLOS)路径由从点S 330到点G 360的路径R 360和路径δR(从点G 360到点L 310)构成。NLOS伪距可以写为NLOS伪距＝R+δR。相应地，SV 280-4的基于多普勒的NLOS测量值DNLOS是和/>的方向余弦的函数，其中δxy是δR的函数。因此，DNLOS＜DLOS,，同时NLOS伪距R+δR＞P(LOS伪距)。因此，如上文所概述的，来自地面反射的多路径传播可能导致诸如UE速度、行进距离等位置相关测量值不准确。
相应地，一些所公开实施例促进地面定位系统中的误差缓解和准确度改善。例如，来自卫星定位系统的基于多普勒的测量中由多路径传播(例如，地面反射)引发的误差可以被缓解，由此促进准确度提高和可靠性改善。在一些实施例中，统计学技术和/或机器学习技术可用于缓解由多路径传播(例如，地面反射)产生的误差。在一些实施例中，方法可以包括脱机阶段，其中统计学技术(例如，线性回归、最小平方等)用来确定GNSS多普勒测量值与真实/参考测量值之间的关系，并且获得数学模型。在一些实施例中，在操作期间(例如，在数学模型创建之后)，GNSS多普勒测量值(例如，由UE100测量)和/或IMU测量值和/或传感器测量值和/或其他参数可以输入到数学模型，该数学模型可以输出对应的GNSS估计值(对应于GNSS多普勒测量值)和/或UE 100的经校正速度(部分地基于输入数据)。在一些实施例中，GNSS测量值可以由卡尔曼滤波器(例如，该滤波器可形成(多个)处理器150的一部分，和/或使用由UE 100上的(多个)处理器150提供的功能性)输出，并且经卡尔曼滤波的GNSS测量值可以输入到预测模型和/或数学模型。例如，以下各项中的一个或多个可以输入到数学模型和/或预测模型：传感器测量值、IMU测量值、无线测量值、GNSS环境参数等，该数学模型和/或预测模型可以输出对应GNSS估计值。在一些实施例中，GNSS估计值可用于确定速度、行进距离和/或其他定位相关参数。
在一些实施例中，脱机阶段可以部分地基于GNSS多普勒测量值，和/或其他测量值(例如，IMU/传感器)，和/或输入参数中的一个或多个以及真实/参考测量值，使用机器学习技术(例如，具有梯度下降的多变量线性回归、迭代二分化等)来获得预测模型。术语“机器学习”是指可用于确定输入数据流的模式并且关于一些需要的输出作出预测的技术。在学习阶段期间，机器学习技术可以分析捕获的输入数据(例如，测量的数据，诸如GNSS多普勒测量值、IMU测量值和/或传感器测量值，和/或与测量有关的其他参数(例如，环境参数))以及真实/参考数据(例如，真实/参考速度、真实/参考GNSS多普勒测量值)来获得预测模型。因此，例如，训练数据集可以包括UE 100的测量值(例如，以下各项中的一个或多个：GNSS多普勒测量值、IMU 170的测量值、来自传感器185的各种定位相关传感器测量值)、环境参数(例如，信号质量、SV 280数量等)和可由其他技术和/或来源获得的真实参考测量值(例如，真实速度、真实行进距离等)。在学习阶段期间，可确定以下两者之间的关系以创建预测模型：(a)UE 100的测量值(例如，以下各项中的一个或多个：GNSS多普勒测量值和/或IMU测量值和/或传感器测量值)、其他参数；和(b)真实/参考测量值(例如，真实速度、真实行进距离等)。
在一些实施例中，预测模型可以包括自动回归(auto regressive，AR)模型，诸如AR(N)模型，其可以基于前N次观测的资产来预测下一/后续值。预测模型也可采取以下各项中的一个或多个的形式：全连接神经网络(FCN)、卷积神经网络(CNN)、诸如长短期记忆(LSTM)或门控循环单元(GRU)的循环神经网络(RNN)，和/或以上网络的某一混合体。因为AR模型可以基于过去N次观测动态地调整预测，因此预测模型中可能包括季节性和一般输入信号偏差。基于AR的预测模型促进嵌入式平台(例如，作为UE 100中的功能单元和/或应用，其可以采取移动装置或对并行处理或神经处理引擎可一具有有限支持的其他装置的形式)中的预测。
在一些实施例中，卷积神经网络可用于将输入信号映射到更低维表示，这些更低维表示接着可以由卡尔曼滤波器进行滤波，得到反向传播的卡尔曼滤波。在反向传播的卡尔曼滤波中，由卡尔曼滤波器表示的状态空间模型可用于使来自有噪声输入的预测变稳定，同时使用神经网络的反向传播技术自主地调谐模型参数。反向传播卡尔曼滤波的一些方法描述于T.Haarnoja、A.Ajay、S.Levine和P.Abbeel的“Backprop KF:LearningDiscriminative Deterministic State Estimators”(关于神经信息处理系统的第30届会议(NIPS2016)，2016年西班牙巴塞罗那)中，其在此以全文引用的方式并入。
在一些实施例中，混合神经网络可以在输入层使用CNN，从而可以促进对于预测有用的特征/参数的自动生成；接下来，RNN层可以促进基于CNN生成的表示来学习信号的时间维结构；并且输出层处的CNN/FCN网络可以促进RNN层的输出映射到需要的输出格式。
机器学习算法(例如，由预测模型使用)也可包括增强技术，其中多个弱学习者进行组合以形成输入信号空间的强学习者。增强机器学习技术可以包括自适应性增强(AdaBoost)和用于渐变增强决策树的技术，诸如XGBoost和Light GBM。在Light GBM中，例如，排除具有小梯度的输入，并且将彼此排斥的特征捆绑在一起，使得便于在数据大小较小的情况下进行预测。在一些实施例中，例如在预测模型被部署有嵌入式系统(例如，作为UE100中的功能单元和/或应用，可采取移动装置或具有存储器和/或处理约束的其他装置的形式)时可以使用Light GBM。例如，基于Light GBM的预测模型可促进在权重较小的情况下进行预测(例如，多普勒估计值、速度、行进距离等)，因此减少所需存储器和嵌入式系统进行推断所需要的计算能力。在一些实施例中，可使用现成的或基于库的Light GBM实施方式(例如，来自分布式机器学习工具包(Distributed Machine Learning Toolkit，DMTK))。
机器学习技术也可以包括涉及生成对抗网络(GAN)的半监督学习方法，其中没有真实信息的数据集与具有真实信息的数据集进行组合。在GAN中，建模是基于两个网络(i)和(ii)之间的交互：(i)可基于噪声源生成合成数据的生成器网络，和(ii)鉴别生成器的输出与真实数据的鉴别器。半监督学习可在学习期间使用未标记数据以及标记数据。例如，即使在大多数数据集可能未被标记的情况下，GAN也可促进学习。因此，可以习得数据集的结构，并且将其用于开发预测模型。例如，GAN可以使用多普勒测量值、真实数据和以下各项中的一个或多个进行训练以获得预测模型：GNSS环境参数、传感器测量值、IMU测量值、无线测量值和/或可能影响测量的其他未标记参数。在一些实施例中，诸如Keras、Tensorflow、PyTorch等机器学习平台可以用于实施和训练GAN。
学习阶段期间的实际分布(例如，真实数据)与预测分布(例如，基于输入GNSS、传感器、无线数据)之间的距离度量可用于确定评论(或见证功能)，其能最大限度地鉴别来自两种分布的样本。评论功能可以由神经网络确定，并且可以替代GAN中的鉴别器。在Wasserstein GAN中，距离度量基于所谓的“地球-移动器距离”，其反映了为了将预测分布转化为实际分布的最低质量传递成本，其中成本被测量为质量乘以传递(或转化)距离。在一些实施例中，使用Wasserstein GAN并带有梯度惩罚值的演员-评论家方法GAN可用于获得预测模型。
机器学习可使用假定的集合来确定模型选择。假定的集合被称为机器学习技术的“感应偏差”。例如，“限制偏差”(一种类型的感应偏差)可以限定在学习阶段期间使用的模型集合，而“偏好偏差”(另一类型的感应偏差)在学习阶段期间产生一些相比其他模型更佳的模型。例如，具有梯度下降的多变量线性回归使用：(a)限制偏差，使得仅考虑基于输入参数值的线性组合的预测模型；和(b)通过使用梯度下降法确定权重而考虑的优于线性模型的次序的偏好偏差。作为另一示例，迭代二分化可以使用：(a)仅考虑树预测模型的限制偏差，其中每一分支对各个输入参数的检查的序列进行编码；和(b)更偏好不太复杂的树而不是复杂度较大的树的偏好偏差。
在一些实施例中，在操作期间(例如，在预测模型创建之后)，GNSS多普勒测量值(例如，由UE 100测量)和/或IMU测量值和/或传感器测量值和/或其他参数可以输入到预测模型，该预测模型可以输出：与输入数据对应的预测GNSS多普勒估计值和/或UE 100的预测速度。例如，在操作期间(例如，在预测模型创建之后)，GNSS多普勒测量值(例如，由UE 100测量)可以输入到预测模型，该预测模型可输出：部分地基于GNSS多普勒测量值的预测GNSS多普勒估计值。例如，预测模型可以使用输入数据(例如，在学习阶段期间收集)的模式来确定预测GNSS多普勒估计值，和/或UE 100的预测速度，和/或预测行进距离，和/或其他定位相关参数的值。如本文所使用，术语“预测”是指将值指派给变量。例如，值可指派给以下各项中的一个或多个：GNSS多普勒参数、速度、行进距离和/或定位相关参数，这些参数可由预测模型基于输入测量值/参数而输出。
图4A了示出用于确定使基于参考数据的UE的行进距离与以下各项中的一个或多个相关的数学模型430的示例性方法400：对应的伪距测量值、对应的IMU测量值、对应的传感器测量值和/或对应的GNSS多普勒测量值。在一些实施例中，该相关还可以基于在测量时存在的GNSS环境参数407。例如，在一个实施例中，数学模型430可以通过使用真实或参考数据使测量的GNSS多普勒数据与行进距离相关来确定。在一些实施例中，数学模型430还可以基于在测量时存在的GNSS环境参数407。在一些实施例中，方法400可以由UE 100上的(多个)处理器150和/或PE 156执行。在一些实施例中，方法400可在脱机数学模型生成阶段期间执行。
在一些实施例中，在框410中，(a)UE 100的行进距离(例如，在点P1和P2之间)可以使用参考数据来确定。例如，UE 100的开始位置(例如，P1)和结束位置(例如，P2)的已知坐标可用于确定行进距离。在一些实施例中，可以使用参考数据402，其可提供开始点与结束点(例如，P1和P2)之间的真实/参考距离。在一些实施例中，参考数据402可通过使用任何准确距离计算技术确定UE 100的行进距离来获得。例如，P1和P2的已知坐标(例如，纬度、经度和/或高度)可用于确定UE 100的行进距离。
在一些实施例中，在框415中，使用参考时间源，可基于以下各项中的一个或多个确定UE 100的行进距离：(b)对应的伪距测量值和/或(c)对应的IMU测量值和/或(d)对应的传感器测量值和/或(e)对应的GNSS多普勒测量值和/或(f)(b)至(e)的某一组合。此外，在一些实施例中，可以获得和记录与测量相关联的对应的GNSS环境参数407。在一些实施例中，以上(b)至(f)中的测量值和GNSS环境参数407可以作为运动数据405储存。
例如，(例如，在以上(e)中)UE 100的行进距离可以基于GNSS多普勒测量值确定。例如，(例如，对于以上(e))UE 100的速度可以基于GNSS多普勒测量值确定，并且行进距离可计算为速度(速度的幅度)与ΔT(基于参考时间源)的乘积。作为另一示例，(例如，对于以上(b))到SV 280的伪距测量值可以用于确定在时间间隔ΔT期间UE 100在点P1与另一点P2之间的行进距离。作为另一示例，UE 100的行进距离可以基于测量值的组合来确定，这些测量值包括GNSS测量值、IMU 170和/或传感器185的测量值、IMU 170的测量值和/或无线测量值(例如，WWAN和/或WLAN测量值)等中的一个或多个。
在一些实施例中，一个或多个GNSS环境参数407可以输入到框415。可以由UE 100基于接收到的GNSS信号来获得、确定和/或测量GNSS环境参数407。GNSS环境参数407可包括SV定点相关参数，诸如可见卫星的数量、精度稀释(dilution of precision，DOP)，和可被获得、确定和/或测量的其他环境条件。术语“精度稀释”是指导航卫星几何形状对位置测量精度的影响。在一些实施例中，GNSS环境参数407可以包括以下各项中的一个或多个：GNSS时间戳(例如，GPS周/秒)，和/或GNSS定点参数(例如，纬度、经度、高度)，和/或GNSS定点不确定性(例如，水平误差位置估计、水平误差位置估计不确定性、高度不确定性)，和/或GNSS统计(例如，使用的GPS/Glonass/北斗卫星的数量、定点之间的时间(以秒计))，和/或GNSS导出因子(例如，GNSS航向、GNSS航向不确定性、水平误差速度估计、水平速度、位置精度稀释(positional DOP，PDOP)、水平精度稀释(horizontal DOP，HDOP)、垂直精度稀释(vertical DOP，VDOP))，和/或位置源/定点类型(例如，是仅GNSS，还是GNSS和传感器辅助，还是基于传感器)。在一些实施例中，一些GNSS环境参数(例如，SV定点相关参数)可作为辅助数据(例如，经由WWAN/WLAN)提供给UE 100。术语精度稀释(DOP)是指卫星几何形状对位置测量精度的影响。DOP可按照HDOP、VDOP和PDOP来表达，其可以基于卫星(例如，图2中的SV280)的位置来确定。在一些实施例中，SV 280的位置可以是已知的，并且DOP值可以基于SV280的已知位置来确定(例如，由UE 100和/或(多个)处理器150)。
在一些实施例中，在框420中，可以确定是否要获得额外测量值。例如，基于性能和与数学模型有关的其他参数，确定要获得额外测量值(在框420中为“Y”)，接着可调用框410。在一些实施例中，方法400可以迭代进行框410、415和420，直到获得统计学上显著大量的测量值为止。
如果不需要获得另外的测量值(在框420中为“N”)，则在框430中，统计学技术可以基于(a)与以下各项中的一个或多个之间的统计学关系确定数学模型430：框415中用于各种定点条件的(b)-(f)(例如，基于GNSS环境参数407)。在一些实施例中，数学模型430可使用回归分析、曲线拟合和/或其他统计学建模技术来确定。在一些实施例中，数学模型可以基于以下(a)与(b)至(f)中的一个或多个之间的统计学关系，一方面，(a)为真实或参考距离；另一方面，(b)至(f)为：(b)对应的伪距测量值；和/或(c)对应的IMU测量值；和/或(d)对应的传感器测量值；和/或(e)对应的GNSS多普勒测量值；和/或(f)在各种定点条件下(b)-(e)的某一组合(例如，由GNSS环境参数407表示)。
例如，在一些实施例中，比例因子(K)可以从运动数据402中的多个测量值确定。比例因子K可以形成数学模型430的一部分。例如，根据运动数据402中的测量值，可以将比例因子确定为函数K＝f(DRef,Dpseudorange,DDoppler)，其中Dpseudorange为基于伪距的距离测量值，DRef为参考距离，并且DDoppler为基于GNSS多普勒测量值而确定的距离。在一些实施例中，多个比例因子可以基于所使用的(多个)传感器的类型和/或传感器测量值(例如，基于IMU170、WLAN/WWAN的定位测量值等)的可用性或用途来计算出。例如，举例而言，第一比例因子可以在仅GNSS伪距和GNSS多普勒测量值可用(没有传感器测量值)的情况下计算出，并且，第二比例因子可以在来自传感器185和/或IMU 170的测量值可用(除了GNSS伪距和GNSS多普勒测量值之外)的情况下计算出。在一些实施例中，数学模型也可用于促进仅校正传感器测量值，即当没有GNSS测量值可用时。作为一个示例，比例因子可以计算为DRef和DDoppler之间的差与Dpseudorange和DDoppler之间的差的比，使得以上等式仅为一个示例，并且各种其他功能可用于确定K。
图4B示出了用于使用基于参考数据的UE的行进距离和以下各项中的一个或多个来确定预测模型470的示例性方法450：对应的伪距测量值、对应的IMU测量值、对应的传感器测量值、对应的GNSS多普勒测量值和/或对应的GNSS环境参数407。在一些实施例中，方法450可由UE 100上的(多个)处理器150和/或PE 156执行。在一些实施例中，方法450可在脱机模型生成阶段期间执行。
在一些实施例中，在框410中，(a)UE 100的行进距离(例如，在点P1和P2之间)可以使用参考数据来确定。例如，UE 100的开始位置(例如，P1)和结束位置(例如，P2)的已知坐标可用于确定行进距离。在一些实施例中，可使用参考数据402，其可提供开始点与结束点(例如，P1和P2)之间的真实/参考距离。在一些实施例中，参考数据402可以通过使用任何准确距离计算技术确定UE 100的行进距离来获得。例如，P1和P2的已知坐标(例如，纬度、经度和/或高度)可用于确定UE 100的行进距离。
在一些实施例中，在框415中，使用参考时间源，可以确定以下各项中的一个或多个：(b)对应的伪距测量值，和/或(c)对应的IMU测量值，和/或(d)对应的传感器测量值，和/或(e)对应的GNSS多普勒测量值，和/或(f)(b)至(e)的某一组合。此外，在一些实施例中，可以获得和记录与测量相关联的对应的GNSS环境参数407。在一些实施例中，以上(b)至(f)中的测量值和GNSS环境参数407可作为运动数据405被储存。在一些实施例中，一个或多个导出的测量值可基于原始测量值而确定，并且被记录为运动数据405。例如，UE 100的速度可以基于某一时间间隔内的对应的GNSS多普勒测量值(例如，在以上(e)中获得)而确定。UE100的速度可以储存为运动数据405的一部分。
在一些实施例中，一个或多个GNSS环境参数407可以输入到框415。可以由UE 100基于接收到的GNSS信号来获得、确定和/或测量GNSS环境参数407。GNSS环境参数407可以包括SV定点相关参数(诸如可见卫星的数量、精度稀释(DOP))和可以被获得、确定和/或测量的其他环境条件。术语“精度稀释”是指导航卫星几何形状对位置测量精度的影响。在一些实施例中，GNSS环境参数407可包括以下各项中的一个或多个：GNSS时间戳(例如，GPS周/秒)，和/或GNSS定点参数(例如，纬度、经度、高度)，和/或GNSS定点不确定性(例如，水平误差位置估计、水平误差位置估计不确定性、高度不确定性)，和/或GNSS统计(例如，使用的GPS/Glonass/北斗卫星的数量、定点之间的时间(以秒计))，和/或GNSS导出因子(例如，GNSS航向、GNSS航向不确定性、水平误差速度估计、水平速度、位置精度稀释(PDOP)、水平精度稀释(HDOP)、垂直精度稀释(VDOP))，和/或位置源/定点类型(例如，是仅GNSS，还是GNSS和传感器辅助，还是基于传感器)。在一些实施例中，一些GNSS环境参数(例如，SV定点相关参数)可以作为辅助数据(例如，经由WWAN/WLAN)提供给UE 100。
在一些实施例中，在框420中，可以确定是否要获得额外测量值。例如，基于性能、准确度和与预测模型有关的其他参数，如果确定要获得额外测量值(在框420中为“Y”)，则可以调用框410。在一些实施例中，方法400可迭代进行框410、415和420，直到获得显著大量的测量值(例如，适于利用指定性能/准确度参数确定预测模型)为止。
如果不需要获得另外的测量值(在框420中为“N”)，则在框430中，可使用机器学习技术，使用运动数据405作为训练数据集来确定预测模型470。在一些实施例中，机器学习技术可以包括具有梯度下降的多变量线性回归、迭代二分化等。机器学习可使用假定的集合来确定模型选择。假定的集合被称为机器学习技术的“感应偏差”。例如，“限制偏差”(一种类型的感应偏差)可以限定在学习阶段期间使用的模型集合，而“偏好偏差”(另一类型的感应偏差)在学习阶段期间产生一些相比其他模型更佳的模型。例如，具有梯度下降的多变量线性回归使用：(a)限制偏差，使得仅考虑基于输入参数值的线性组合的预测模型；和(b)通过使用梯度下降法确定权重来考虑的优于线性模型的次序的偏好偏差。作为另一示例，迭代二分化可以使用：(a)仅考虑树预测模型的限制偏差，其中每一分支对各个输入参数的检查的序列进行编码；和(b)更偏好不太复杂的树而不是复杂度较大的树的偏好偏差。例如，可以使用基于light GBM方法的预测模型，其生成节点数量相对较少的增强树模型。在一些实施例中，可使用上文所描述的机器学习模型中的任一个。例如，以下各项中的一个或多个可用于确定预测模型470：AR、CNN、卡尔曼反向传播、RNN、FCN、混合神经网络、GAN、增强技术等。在一些实施例中，机器学习技术可以使用运动数据405(例如，以下各项中的一个或多个：GNSS多普勒测量值，和/或IMU测量值和/或传感器测量值，和/或GNSS环境参数407)和对应真实/参考测量值402来获得预测模型470。
在一些实施例中，机器学习技术可确定输入数据流中的模式以获得预测模型470。在学习阶段期间，机器学习技术可以分析参考数据402和以下各项中的一个或多个来获得预测模型470：GNSS多普勒测量值，和/或IMU测量值，和/或传感器测量值，和/或与测量有关的GNSS环境参数407。在学习阶段期间，可确定以下(a)和(b)之间的关系来创建预测模型470：(a)UE 100的测量值(例如，以下各项中的一个或多个：GNSS伪距测量值，和/或GNSS多普勒测量值，和/或IMU测量值，和/或传感器测量值)、GNSS环境参数407；和(b)参考测量值402。在一些实施例中，可部分地使用基于DMTK的工具来确定预测模型。
在一些实施例中，运动数据405可以在训练之前归一化、随机化和以其他方式预处理。在一些实施例中，经预处理的运动数据可分成训练数据(其用于训练模型以辨识Dpseudorange、DRef和DDoppler之间的关系)和测试数据(其用于基于其训练来测试模型预测)。该模型迭代进行训练和测试步骤，直到预测(例如，基于DDoppler)密切匹配DRef为止。例如，当DRef的预测值匹配某一阈值内DRef的实际值时，并且当匹配发生的预测百分比极高(在某一阈值内为100％)时，训练可以是完整的。作为另一示例，当速度的预测值(或UE 100的速度的预测幅度)匹配某一阈值内UE 100的参考速度(或速度的参考幅度)时，并且当匹配发生的预测百分比极高(在某一阈值内为100％)时，训练可以是完整的。
在一些实施例中，在训练期间，机器学习还可以使用GNSS环境参数407以及运动数据，使得可训练预测模型来预测各种GNSS环境条件下的多普勒测量值和/或速度。在一些实施例中，在训练之后，预测模型470可以基于当前GNSS多普勒和其他测量值来预测瞬时UE速度。总行进距离可计算为瞬时预测速度的总和乘以速度有效时的对应时间间隔。在一些实施例中，可用于确定预测模型470的机器学习技术可包括：线性回归，和/或广义加性模型(GAM)，和/或递归神经网络或其变体。GAM将响应或因变量(例如，参考多普勒测量值)与一些预测因子(predictor)变量(例如，GNSS多普勒测量值、环境因子等)相关。
GAM基于以下假定来确定预测模型(例如，预测模型470)：各个预测因子变量与响应变量(或例如相关功能)之间的关系遵循平滑模式(线性或非线性)，并且这些函数可以基于数据而估计并且用于预测响应变量。
递归神经网络可基于通过处理来自结构化域的数据(例如，GNSS多普勒测量值、伪距、传感器输入、环境因子等)进行的机器学习来确定预测模型(例如，预测模型470)。递归神经网络可以用于确定回归问题的预测模型。例如，在学习期间，递归神经网络中的信息流动可以是双向的，导致信息从(多个)节点朝向叶顺序传播以及从叶朝向(多个)节点顺序传播，其中消息传递导致预测模型(或推断系统)的确定，该预测模型学习在递归神经网络的训练阶段期间使用的结构模式内显式地编码的隐藏相关性。在操作期间，递归神经网络可通过按拓扑次序(也被称为拓扑类别)遍历给定结构，对结构化输入递归地应用相同权重集，以产生对变量大小的输入结构的结构化预测或关于其的标量预测。递归神经网络可以包括循环神经网络(RNN)，可以将先前时间步骤和隐藏表示组合成当前时间步骤的表示。在一些实施例中，RNN可以包括长短期记忆(LSTM)和相控LSTM(PLSTM)。LSTM是指用于RNN的层的构建单元，便于在任意时间间隔内记忆或记住值。LSTM可以包括神经元(负责存储器)、输入门、输出门和“遗忘”门，在这些门与神经元之间具有连接。门可使用激活函数来计算加权和的激活，由此调节通过LSTM连接的值的流动。相控LSTM包括额外时间门，其仅在门被打开时才更新存储器神经元，其中门的打开和关闭(振荡频率)受参数控制。在来自多个传感器的输入可能需要整合但传感器具有不同采样率(例如，短或长采样频率)的情况下，PSLTM促进机器学习和预测。在以异步时间采样RNN输入的情况下，PSLTM促进预测模型的确定和使用。在一些实施例中，预测模型470可用于(例如，在后续操作阶段期间)基于输入测量值和GNSS环境参数预测GNSS多普勒测量值或UE速度。
图5A示出用于基于数学模型430确定经校正UE速度的方法500的流程图。在一些实施例中，方法500可以由UE 100和/或UE 100上的(多个)处理器150和/或PE 156执行。可以执行方法500以在确定一个或多个位置相关参数时缓解测量误差。在一些实施例中，方法500可由定位应用和/或导航相关应用触发，该定位应用和/或导航相关应用可以包括用于速度确定和/或用于确定行进距离的功能性。
在框510中，可以获得GNSS伪距测量值、GNSS多普勒测量值、时间测量值和一个或多个GNSS环境参数407。在一些实施例中，参考时间源可以用于时间测量。在一些实施例中，可从UE 100可通信耦接到的WWAN和/或WLAN获得一个或多个GNSS环境参数(例如，作为辅助数据)。
在框520中，第一(例如，原始)UE速度SF可以部分地基于GNSS多普勒和时间测量值来确定。此外，第二速度SP可以部分地基于时间间隔内的伪距测量值来确定。如上文所概述，SF和SP可能受到多路径传播(例如，地面反射)的不利影响。在一些实施例中，SF和SP可以可选地基于IMU测量值(例如，来自IMU 170)和/或传感器测量值(例如，来自传感器185)进行速度扩增。例如，在一些情况下，在没有GNSS测量值可用时，来自IMU170和/或传感器185的测量值和/或基于WWAN或WLAN信号的定位测量值可用于估计在时间间隔内UE 100的速度。
在框530中，经校正速度SC可使用数学模型430来确定。在一些实施例中，在框530中，数学模型430可以基于以下各项中的一个或多个确定经校正速度SC：第一UE速度SF(例如，基于GNSS多普勒测量值)、第二速度SP(例如，基于GNSS伪距测量值)、时间测量值和/或GNSS环境参数407。
在一些实施例中，经校正速度SC可以基于比例因子K而确定为SC＝g(SP,SF,K)，其中SC为经校正速度，并且g为SP、SF和K的函数，其中SP为基于伪距测量值而确定的速度，并且SF为第一速度。比例因子K可以取决于测量时的环境参数。在一些实施例中，函数g可以基于函数f，函数f用于在确定数学模型430时(例如，在图4A中描绘的阶段期间)确定K。
作为一个示例，经校正速度SC可以被确定为第一速度(SF)与比例因子(K)和在第一速度(SF)及基于伪距测量值而确定的速度(SP)之间的差的乘积的和，使得SC＝((SP-SF)*K)+SF。前述等式仅为一个示例，并且各种其他函数可用于确定SC。
在一些实施例中，比例因子K可以基于诸如以下各项中的一个或多个的GNSS环境参数407进行调整：用于测量的SV 280的数量；和/或是否仅GNSS测量值被使用/可用(例如，没有IMU 170的测量值和/或传感器185的测量值)，和/或GNSS测量值是否扩增有IMU 170的测量值和/或传感器185的测量值；和/或是否仅使用IMU 170的测量值和/或传感器185的测量值(例如，在没有GNSS测量值可用时)。
举例而言，如果所使用的SV的数量不小于N，并且仅使用了GNSS测量值(没有来自传感器185或IMU 170的测量值)，则可使用比例因子K＝K1，而如果所使用的SV的数量小于N，并且使用了GNSS测量值以及来自传感器185和/或IMU 170的测量值，则可使用比例因子K＝K2。在一些实施例中，在没有GNSS测量值可用并且仅来自传感器185的测量值和/或来自IMU 170的测量值和/或WWAN/WLAN测量值用于进行初始速度确定(例如，在框520中)时，可以使用比例因子K＝K3。
GNSS环境参数407可包括SV定点相关参数，诸如可见卫星的数量、精度稀释(DOP)，和可以被获得、确定和/或测量的其他环境条件。术语“精度稀释”是指导航卫星几何形状对位置测量精度的影响。在一些实施例中，GNSS环境参数407可包括以下各项中的一个或多个：GNSS时间戳(例如，GPS周/秒)，和/或GNSS定点参数(例如，纬度、经度、高度)，和/或GNSS定点不确定性(例如，水平误差位置估计、水平误差位置估计不确定性、高度不确定性)，和/或GNSS统计(例如，使用的GPS/Glonass/北斗卫星的数量、定点之间的时间(以秒计))，和/或GNSS导出因子(例如，GNSS航向、GNSS航向不确定性、水平误差速度估计、水平速度、位置精度稀释(PDOP)、水平精度稀释(HDOP)、垂直精度稀释(VDOP))，和/或位置源/定点类型(例如，是仅GNSS，还是GNSS和传感器辅助，还是基于传感器)。在一些实施例中，一些GNSS环境参数(例如，SV定点相关参数)可作为辅助数据(例如，经由WWAN/WLAN)提供给UE 100。
在框540中，可以(例如，向UE 100上的呼叫例程或应用)输出以下各项中的一个或多个：UE 100的经校正速度SC；基于SC的UE 100的位置；基于经校正速度SC和时间测量值的UE 100的行进距离。在一些实施例中，该输出可以显示给用户和/或可以有声地输出(例如，经由UE 100上的扬声器)。
图5B示出了用于基于预测模型470确定预测UE速度的方法550的流程图。在一些实施例中，方法550可由UE 100和/或UE 100上的(多个)处理器150和/或PE 156执行。可以执行方法550以在确定一个或多个位置相关参数时缓解测量误差。在一些实施例中，方法500可由定位应用和/或导航相关应用触发，该定位应用和/或导航相关应用可以包括用于速度确定和/或用于确定行进距离的功能性。
在框510中，可以获得GNSS伪距测量值、GNSS多普勒测量值、时间测量值和GNSS环境参数407。在一些实施例中，参考时间源可以用于时间测量。在一些实施例中，可从UE 100可通信耦接到的WWAN和/或WLAN获得一个或多个GNSS环境参数(例如，作为辅助数据)。
在可选框520中，第一(例如，原始)UE速度SF可以部分地基于GNSS多普勒和时间测量值来确定(在调用时，或在框520形成方法550的一部分时)。此外，(在可选框520中)第二速度SP可以部分地基于时间间隔内的伪距测量值来确定。如上文所概述，SF和SP可能受到多路径传播(例如，地面反射)的不利影响。在一些实施例中，SF和SP可以可选地基于IMU测量值(例如，来自IMU 170)和/或传感器测量值(例如，来自传感器185)进行速度扩增。例如，在一些情况下，在没有GNSS测量值可用时，来自IMU170和/或传感器185的测量值和/或基于WWAN或WLAN信号的定位测量值可用于估计在时间间隔内UE 100的速度。
在框560中，可以使用预测模型470确定UE 100的预测速度SML。在一些实施例中，在框560中，预测模型470可以基于以下各项中的一个或多个确定预测速度SML：GNSS多普勒测量值、GNSS伪距测量值、时间测量值和GNSS环境参数407。在一些实施例中，在框560中，预测速度可以基于SF和SP确定(例如，在图5B中执行可选框520的情况下)。在一些实施例中，包括以下各项中的一个或多个的任何可用测量值可以被用作预测模型470的输入：IMU 170的测量值和/或传感器185的测量值和/或WWAN/WLAN测量值。在一些实施例中，可以基于机器学习的预测模型470可以接受GNSS多普勒测量值、GNSS伪距测量值、时间测量值和/或GNSS环境参数407，以及上文概述的测量值(例如，IMU、传感器和/或WWAN/WLAN测量值)中的一个或多个作为输入，并且输出预测速度SML。
GNSS环境参数407可包括SV定点相关参数，诸如可见卫星的数量、精度稀释(DOP)，和可以被获得、确定和/或测量的其他环境条件。术语“精度稀释”是指导航卫星几何形状对定位测量精度的影响。在一些实施例中，GNSS环境参数407可以包括以下各项中的一个或多个：GNSS时间戳(例如，GPS周/秒)，和/或GNSS定点参数(例如，纬度、经度、高度)，和/或GNSS定点不确定性(例如，水平误差位置估计、水平误差位置估计不确定性、高度不确定性)，和/或GNSS统计(例如，使用的GPS/Glonass/北斗卫星的数量、定点之间的时间(以秒计))，和/或GNSS导出因子(例如，GNSS航向、GNSS航向不确定性、水平误差速度估计、水平速度、位置精度稀释(PDOP)、水平精度稀释(HDOP)、垂直精度稀释(VDOP))，和/或位置源/定点类型(例如，是仅GNSS，还是GNSS和传感器辅助，还是基于传感器)。在一些实施例中，一些GNSS环境参数(例如，SV定点相关参数)可作为辅助数据(例如，经由WWAN/WLAN)提供给UE 100。
在框570中，可以(例如，向UE 100上的呼叫例程或应用)输出以下各项中的一个或多个：UE 100的预测速度SML；基于预测速度的UE 100的行进距离、基于预测速度的UE 100的位置、和时间测量值。在一些实施例中，该输出可显示给用户和/或可有声地输出(例如，经由UE 100上的扬声器)。在一些实施例中，控制接着可以返回到UE 100上的呼叫例程。
图6A示出了用于基于数学模型430确定GNSS多普勒估计值的方法600的流程图。在一些实施例中，方法600可由UE 100和/或UE 100上的(多个)处理器150和/或PE 156执行。可以执行方法600以在确定一个或多个位置相关参数时缓解GNSS多普勒测量误差。在一些实施例中，方法600可以由定位应用(诸如UE 100上的速度确定应用或行进距离应用)触发。
在框610中，可在某一时间间隔内获得GNSS伪距测量值、GNSS多普勒测量值(DF)、时间测量值和GNSS环境参数407。在一些实施例中，参考时间源可以用于时间测量。在一些实施例中，GNSS多普勒测量值(DF)可以从卡尔曼滤波器(例如，使用(多个)处理器150实施)获得。在一些实施例中，GNSS环境参数407中的一个或多个可从UE 100可通信耦接到的WWAN和/或WLAN获得(例如，作为辅助数据)。在一些实施例中，可选地，在框610中，以下各项中的一个或多个可用于扩增GNSS伪距测量值：来自IMU 170的测量值和/或来自传感器185的测量值和/或WWAN/WLAN测量值。
在框620中，GNSS多普勒估计值DC可以使用数学模型430来确定。在一些实施例中，GNSS多普勒估计值DC可以校正在框610中获得的对应的GNSS多普勒测量值(DF)。在一些实施例中，在框620中，数学模型430可基于以下各项中的一个或多个确定GNSS多普勒估计值DC：GNSS多普勒测量值(DF)、GNSS伪距测量值(P)、时间测量值和GNSS环境参数407。例如，GNSS多普勒估计值DC可被确定为DC＝h(DF,P,E,)，其中h为函数(例如，在图4A中的数学模型创建期间确定)。
GNSS环境参数407可以包括SV定点相关参数，诸如可见卫星的数量、精度稀释(DOP)，和可以被获得、确定和/或测量的其他环境条件。术语“精度稀释”是指导航卫星几何形状对定位测量精度的影响。在一些实施例中，GNSS环境参数407可包括以下各项中的一个或多个：GNSS时间戳(例如，GPS周/秒)，和/或GNSS定点参数(例如，纬度、经度、高度)，和/或GNSS定点不确定性(例如，水平误差位置估计、水平误差位置估计不确定性、高度不确定性)，和/或GNSS统计(例如，使用的GPS/Glonass/北斗卫星的数量、定点之间的时间(以秒计))，和/或GNSS导出因子(例如，GNSS航向、GNSS航向不确定性、水平误差速度估计、水平速度、位置精度稀释(PDOP)、水平精度稀释(HDOP)、垂直精度稀释(VDOP))，和/或位置源/定点类型(例如，是仅GNSS，还是GNSS和传感器辅助，还是基于传感器)。在一些实施例中，一些GNSS环境参数(例如，SV定点相关参数)可作为辅助数据(例如，经由WWAN/WLAN)提供给UE100。
在框630中，可以确定和/或输出以下各项中的一个或多个：基于经校正多普勒测量值(DC)的UE 100的速度。在一些实施例中，可结合其他测量值使用UE 100的速度(例如，基于经校正多普勒测量值而确定的速度)以确定UE 100的位置和/或其他定位相关参数。
在框640中，基于速度(例如，从GNSS多普勒估计值获得)和时间测量值的UE 100的行进距离可被确定和/或被输出(例如，到UE 100上的呼叫例程和/或应用)。在一些实施例中，该输出可以显示给用户和/或可以有声地输出(例如，经由UE 100上的扬声器)。在一些实施例中，控制接着可以返回到UE 100上的呼叫例程。
图6B示出了用于基于预测模型470确定预测GNSS多普勒估计值的方法650的流程图。在一些实施例中，方法650可由UE 100和/或UE 100上的(多个)处理器150和/或PE 156执行。可以执行方法600以在确定一个或多个位置相关参数时缓解测量误差。在一些实施例中，方法650可由定位应用(诸如速度确定应用或行进距离应用)触发。
在框610中，可在某一时间间隔内获得GNSS伪距测量值、GNSS多普勒测量值(DF)、时间测量值和GNSS环境参数407。在一些实施例中，参考时间源可以用于时间测量。在一些实施例中，GNSS多普勒测量值(DF)可从卡尔曼滤波器(例如，使用(多个)处理器150实施)获得。在一些实施例中，一个或多个环境参数可从UE 100可通信耦接到的WWAN和/或WLAN获得(例如，作为辅助数据)。在一些实施例中，可选地，在框610中，可获得以下各项中的一个或多个：来自IMU 170的测量值和/或来自传感器185的测量值和/或WWAN/WLAN测量值，以用于：(a)输入到预测模型470(例如，在框660中)；和/或(b)扩增GNSS伪距测量值。
在框660中，可以使用预测模型470确定(例如，UE 100的)预测GNSS多普勒估计值(DP)。在一些实施例中，在框560中，预测模型470可以基于以下各项中的一个或多个确定预测GNSS多普勒估计值DP：对应的GNSS多普勒测量值(DF)、时间测量值和GNSS环境参数407。在一些实施例中，预测模型470可以额外基于以下各项中的一个或多个确定预测GNSS多普勒估计值DP：来自IMU 170的测量值和/或来自传感器185的测量值和/或WWAN/WLAN测量值(例如，在这些测量值在框610中获得时)。
在框670中，可基于预测多普勒估计值DP(例如，在框660中确定)而确定UE 100的速度。在一些实施例中，可结合其他测量值使用UE 100的速度(例如，基于预测多普勒估计值DP而确定的速度)以确定UE 100的位置和/或其他定位相关参数。
在框680中，基于速度(例如，从预测多普勒估计值DP获得的速度)和时间测量值的UE 100的行进距离可以被确定和/或被输出(例如，到UE100上的呼叫例程和/或应用)。在一些实施例中，该输出可以显示给用户和/或可以有声地输出(例如，经由UE 100上的扬声器)。在一些实施例中，控制接着可以返回到UE 100上的呼叫例程。
图7示出了用于部分地基于GNSS多普勒测量值(DF)和GNSS伪距测量值来确定GNSS多普勒估计值的方法700的流程图。在一些实施例中，方法700可由UE 100和/或UE 100上的(多个)处理器150和/或PE 156执行。
在框710中，可在一个或多个测量时刻获得一个或多个卫星的一个或多个全球导航卫星系统(GNSS)多普勒测量值(DF)和一个或多个对应的GNSS伪距测量值。
在框720中，可以确定与一个或多个GNSS多普勒测量值(DF)对应的一个或多个GNSS多普勒估计值，其中，对于每个GNSS多普勒测量值(DF)，可以部分地基于GNSS多普勒测量值(DF)和与GNSS多普勒测量值(DF)对应的GNSS伪距测量值来确定对应的GNSS多普勒估计值。在一些实施例中，GNSS多普勒测量值(DF)可以从卡尔曼滤波器(例如，使用(多个)处理器150实施)获得。
在一些实施例中，对应的GNSS多普勒估计值还可以基于与GNSS多普勒测量值(DF)相关联的一个或多个GNSS环境参数确定(例如，在框720中)。一个或多个GNSS环境参数可以包括：与GNSS多普勒测量值相关联的GNSS时间戳；或与GNSS多普勒测量值(DF)相关联的GNSS位置定点；或与GNSS多普勒测量值(DF)相关联的GNSS位置定点不确定性；或与GNSS多普勒测量值(DF)相关联的GNSS航向和GNSS航向不确定性；或与GNSS多普勒测量值(DF)相关联的精度稀释参数；或与GNSS多普勒测量值(DF)相关联的一种类型的位置定点。
在一些实施例中，对应的GNSS多普勒估计值可以通过确定针对GNSS多普勒测量值(DF)的校正来确定(例如，在框720中)，其中校正可以基于GNSS多普勒测量值(DF)和与GNSS多普勒测量值(DF)对应的伪距测量值来确定。可以对GNSS多普勒测量值(DF)应用校正以获得对应的GNSS多普勒估计值。在一些实施例中，校正还可以基于以下各项中的至少一个来确定：UE的一个或多个惯性测量单元(IMU)测量值，或一个或多个传感器测量值。在一些实施例中，校正可以基于模型705而确定，该模型可采取数学模型的形式。
在一些实施例中，对应的GNSS多普勒估计值可以通过基于GNSS多普勒测量值(DF)和与GNSS多普勒测量值(DF)对应的GNSS伪距测量值预测对应的GNSS多普勒估计值来确定(例如，在框720中)，其中对应GNSS多普勒估计值使用模型705来预测，该模型可采取基于机器学习的预测模型的形式。在一些实施例中，预测模型可以基于以下各项中的一个或多个：线性回归，和/或广义加性模型(GAM)和/或递归神经网络(RNN)，和/或自动回归(AR)模型，和/或卷积神经网络(CNN)，和/或卡尔曼反向传播，和/或全连接网络(FCN)，和/或混合神经网络，和/或生成对抗网络(GAN)，和/或自适应性增强模型，和/或其变体。在一些实施例中，现成的或基于库的Light GBM实施方式可用于(例如，从分布式机器学习工具包(DMTK))获得预测模型。在一些实施例中，对应的第二GNSS多普勒估计值还可以基于以下各项中的一个或多个来预测：UE的惯性测量单元(IMU)测量值或传感器测量值。
在框730中，UE的速度可以部分地基于GNSS多普勒估计值来确定。在一些实施例中，基于时间间隔内UE的速度可以确定UE的行进距离。在一些实施例中，其他定位相关参数也可以基于GNSS多普勒估计值来确定。
本文在流程图和消息流中所描述的方法可取决于应用由各种构件来实施。举例而言，这些方法可以以硬件、固件、软件或其任何组合来实施。对于硬件实施方式，一个或多个处理器150可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、电子装置、被设计成执行本文中所描述的功能的其他电子单元或其组合内实施。
尽管出于指导目的结合特定实施例说明本发明，但本发明不限于此。可在不脱离范围的情况下进行各种调整和修改。因此，所附权利要求的精神和范围不应限于前述描述。

Claims (26)

1.一种在用户设备UE上执行的方法，所述方法包括：
获得一个或多个卫星的一个或多个全球导航卫星系统GNSS多普勒测量值和一个或多个对应的GNSS伪距测量值；
确定与所述一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值，其中，对于GNSS多普勒测量值，部分地基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的GNSS伪距测量值以及与所述GNSS多普勒测量值相关联的一个或多个GNSS环境参数来确定对应的GNSS多普勒估计值；和
至少部分地基于所述一个或多个GNSS多普勒估计值来确定所述UE的速度。
2.如权利要求1所述的方法，其中，与所述GNSS多普勒测量值相关联的所述一个或多个GNSS环境参数包括以下各项中的一个或多个：
与所述GNSS多普勒测量值相关联的GNSS时间戳；或
与所述GNSS多普勒测量值相关联的GNSS位置定点；或
与所述GNSS多普勒测量值相关联的GNSS位置定点不确定性；或
与所述GNSS多普勒测量值相关联的GNSS航向和GNSS航向不确定性；或
与所述GNSS多普勒测量值相关联的精度稀释参数；或
与所述GNSS多普勒测量值相关联的一种类型的位置定点。
3.如权利要求1所述的方法，其中，确定所述对应的GNSS多普勒估计值包括：
确定针对所述GNSS多普勒测量值的校正，其中所述校正是基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的所述伪距测量值来确定的；和
对所述GNSS多普勒测量值应用所述校正以获得所述对应的GNSS多普勒估计值。
4.如权利要求3所述的方法，其中，所述校正还基于以下各项中的至少一个来确定：所述UE的一个或多个惯性测量单元IMU测量值或一个或多个传感器测量值。
5.如权利要求3所述的方法，其中，所述校正是基于数学模型来确定的。
6.如权利要求1所述的方法，其中，确定所述对应的GNSS多普勒估计值包括：
基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的所述GNSS伪距测量值来预测所述对应的GNSS多普勒估计值，其中，所述对应的GNSS多普勒估计值是使用基于机器学习的预测模型来预测的。
7.如权利要求6所述的方法，其中，所述预测模型基于以下各项中的至少一个：
广义加性模型GAM，或
递归神经网络RNN，或
卷积神经网络CNN或
全连接网络FCN，或
自适应性增强模型，或
生成对抗网络GAN，或
其组合。
8.如权利要求6所述的方法，其中，所述对应的GNSS多普勒估计值部分地基于以下各项中的一个或多个来预测：所述UE的惯性测量单元IMU测量值或传感器测量值。
9.如权利要求1所述的方法，还包括：
基于时间间隔内所述UE的速度来确定所述UE的行进距离。
10.一种用户设备UE，包括：
收发器，其能够接收全球导航卫星系统GNSS信号；和
处理器，其耦接到所述收发器，其中所述处理器被配置为：
获得一个或多个卫星的一个或多个GNSS多普勒测量值和一个或多个对应的GNSS伪距测量值；
确定与所述一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值，其中，对于GNSS多普勒测量值，部分地基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的GNSS伪距测量值以及与所述GNSS多普勒测量值相关联的一个或多个GNSS环境参数来确定对应的GNSS多普勒估计值；和
至少部分地基于所述一个或多个GNSS多普勒估计值来确定所述UE的速度。
11.如权利要求10所述的UE，其中，与所述GNSS多普勒测量值相关联的所述一个或多个GNSS环境参数包括以下各项中的一个或多个：
与所述GNSS多普勒测量值相关联的GNSS时间戳；或
与所述GNSS多普勒测量值相关联的GNSS位置定点；或
与所述GNSS多普勒测量值相关联的GNSS位置定点不确定性；或
与所述GNSS多普勒测量值相关联的GNSS航向和GNSS航向不确定性；或
与所述GNSS多普勒测量值相关联的精度稀释参数；或
与所述GNSS多普勒测量值相关联的一种类型的位置定点。
12.如权利要求10所述的UE，其中，为了确定所述对应的GNSS多普勒估计值，所述处理器被配置为：
确定针对所述GNSS多普勒测量值的校正，其中所述校正是基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的所述伪距测量值来确定的；和
对所述GNSS多普勒测量值应用所述校正以获得所述对应的GNSS多普勒估计值。
13.如权利要求12所述的UE，其中，所述校正还基于以下各项中的至少一个来确定：所述UE的一个或多个惯性测量单元IMU测量值或一个或多个传感器测量值。
14.如权利要求12所述的UE，其中，所述校正是基于数学模型来确定的。
15.如权利要求10所述的UE，其中，为了确定所述对应的GNSS多普勒估计值，所述处理器被配置为：
基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的所述GNSS伪距测量值来预测所述对应GNSS多普勒估计值，其中，所述对应的GNSS多普勒估计值是使用基于机器学习的预测模型来预测的。
16.如权利要求15所述的UE，其中所述预测模型基于以下各项中的至少一个：
广义加性模型GAM，或
递归神经网络RNN，或
卷积神经网络CNN，或
全连接网络FCN，或
自适应性增强模型，或
生成对抗网络GAN，或
其组合。
17.如权利要求15所述的UE，其中，所述对应的GNSS多普勒估计值部分地基于以下各项中的一个或多个来预测：所述UE的惯性测量单元IMU测量值或传感器测量值。
18.如权利要求10所述的UE，其中，所述处理器还被配置为：
基于时间间隔内所述UE的速度来确定所述UE的行进距离。
19.一种用户设备UE，包括：
用于获得一个或多个卫星的一个或多个GNSS多普勒测量值和一个或多个对应的GNSS伪距测量值的构件；
用于确定与所述一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值的构件，其中，对于GNSS多普勒测量值，部分地基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的GNSS伪距测量值以及与所述GNSS多普勒测量值相关联的一个或多个GNSS环境参数来确定对应的GNSS多普勒估计值；和
用于至少部分地基于所述一个或多个GNSS多普勒估计值来确定所述UE的速度的构件。
20.如权利要求19所述的UE，其中，为了确定所述对应的GNSS多普勒估计值，处理器被配置为：
确定针对所述GNSS多普勒测量值的校正，其中所述校正是基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的所述伪距测量值来确定的；和
对所述GNSS多普勒测量值应用所述校正以获得所述对应的GNSS多普勒估计值。
21.如权利要求20所述的UE，其中，所述校正是基于数学模型来确定的。
22.如权利要求19所述的UE，其中，用于确定一个或多个GNSS多普勒估计值的构件还包括：
用于基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的所述GNSS伪距测量值来预测所述对应的GNSS多普勒估计值的构件，其中，用于预测所述对应的GNSS多普勒估计值的所述构件包括基于机器学习的预测模型。
23.一种非暂时性计算机可读介质，其包括用于配置用户设备UE上的处理器以执行以下操作的可执行指令：
获得一个或多个卫星的一个或多个GNSS多普勒测量值和一个或多个对应的GNSS伪距测量值；
确定与所述一个或多个GNSS多普勒测量值对应的一个或多个GNSS多普勒估计值，其中，对于GNSS多普勒测量值，部分地基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的GNSS伪距测量值以及与所述GNSS多普勒测量值相关联的一个或多个GNSS环境参数来确定所述对应的GNSS多普勒估计值；和
至少部分地基于所述一个或多个GNSS多普勒估计值来确定所述UE的速度。
24.如权利要求23所述的计算机可读介质，其中，用于确定所述对应的GNSS多普勒估计值的所述可执行指令还配置所述处理器以：
确定针对所述GNSS多普勒测量值的校正，其中，所述校正是基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的所述伪距测量值来确定的；和
对所述GNSS多普勒测量值应用所述校正以获得所述对应的GNSS多普勒估计值。
25.如权利要求24所述的计算机可读介质，其中，所述校正是基于数学模型来确定的。
26.如权利要求23所述的计算机可读介质，其中，用于确定所述对应的GNSS多普勒估计值的所述可执行指令还配置所述处理器以：
基于所述GNSS多普勒测量值和与所述GNSS多普勒测量值对应的所述GNSS伪距测量值来预测所述对应的GNSS多普勒估计值，其中，所述对应的GNSS多普勒估计值使用基于机器学习的预测模型来预测。
CN201980032033.5A 2018-05-16 2019-03-07 基于多普勒的卫星定位系统测量中的误差缓解 Active CN112105959B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862672165P 2018-05-16 2018-05-16
US62/672,165 2018-05-16
US16/108,019 2018-08-21
US16/108,019 US10871576B2 (en) 2018-05-16 2018-08-21 Error mitigation in doppler based satellite positioning system measurements
PCT/US2019/021121 WO2020023083A2 (en) 2018-05-16 2019-03-07 Error mitigation in doppler based satellite positioning system measurements

Publications (2)

Publication Number Publication Date
CN112105959A CN112105959A (zh) 2020-12-18
CN112105959B true CN112105959B (zh) 2024-04-02

Family

ID=68532503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980032033.5A Active CN112105959B (zh) 2018-05-16 2019-03-07 基于多普勒的卫星定位系统测量中的误差缓解

Country Status (6)

Country Link
US (1) US10871576B2 (zh)
EP (1) EP3794379A2 (zh)
KR (1) KR20210009352A (zh)
CN (1) CN112105959B (zh)
TW (1) TWI812685B (zh)
WO (1) WO2020023083A2 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11604287B2 (en) * 2018-08-09 2023-03-14 Apple Inc. Machine learning assisted satellite based positioning
EP3907905B1 (en) 2018-10-12 2023-12-27 OQ Technology S.à r.l. Timing synchronization for non-terrestrial cellular wireless communication networks
US11079495B2 (en) * 2018-10-31 2021-08-03 Mitsubishi Electric Research Laboratories, Inc. Position estimation under multipath transmission
WO2020107022A1 (en) * 2018-11-23 2020-05-28 Slingshot Aerospace, Inc. Signal processing workflow engine incorporating graphical user interface for space situational awareness
US11240773B2 (en) * 2018-12-07 2022-02-01 Google Llc Managing doppler and framing impacts in networks
DE102019211174A1 (de) * 2019-07-26 2021-01-28 Robert Bosch Gmbh Verfahren zum Ermitteln eines Modells zur Beschreibung mindestens eines umgebungsspezifischen GNSS-Profils
US11921522B2 (en) * 2019-11-04 2024-03-05 The Regents Of The University Of California Sub-meter accurate navigation and cycle slip detection with long-term evolution (LTE) carrier phase measurements
US11496339B2 (en) * 2020-04-03 2022-11-08 Samsung Electronics Co., Ltd. Doppler spread estimation based on supervised learning
CN111562599B (zh) * 2020-05-14 2021-07-16 中国北方工业有限公司 一种北斗卫星网络rtd伪距改正数预报模型建立方法
CN111796310B (zh) * 2020-07-02 2024-02-02 武汉北斗星度科技有限公司 一种基于北斗gnss的高精度定位方法、装置及系统
US11831679B2 (en) * 2020-07-14 2023-11-28 T-Mobile Usa, Inc. Global navigation satellite system interference attack detection
US20220035972A1 (en) * 2020-07-28 2022-02-03 Verizon Patent And Licensing Inc. Systems and methods for denoising gps signals using simulated models
KR20220017264A (ko) 2020-08-04 2022-02-11 삼성전자주식회사 Gnss에 기초한 이동체의 이동 위치 보정 방법 및 장치.
US12046129B2 (en) * 2020-08-20 2024-07-23 Rutgers, The State University Of New Jersey Computer-based systems configured for space object orbital trajectory predictions and methods thereof
US12130959B2 (en) * 2021-03-24 2024-10-29 Peloton Interactive, Inc. Data systems for wearable augmented reality apparatus
US12073729B2 (en) * 2021-04-27 2024-08-27 Rockwell Collins, Inc. Machine-learned operating system and processor
CN115604812A (zh) * 2021-06-28 2023-01-13 华为技术有限公司（Cn） 定位方法、装置及系统
US12025715B2 (en) 2021-08-12 2024-07-02 Here Global B.V. GNSS error resolution
CN114488230B (zh) * 2022-01-29 2024-05-24 清华大学 一种多普勒定位方法、装置、电子设备和存储介质
CN118226489A (zh) * 2024-04-08 2024-06-21 北京航空航天大学 Gnss短时中断下基于广义最大相关熵的gnss/ins组合导航方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004259A (zh) * 2010-09-17 2011-04-06 浙江大学 高灵敏度环境下基于多普勒平滑伪距的卫星导航解算定位方法
CN104459747A (zh) * 2014-12-19 2015-03-25 北京临近空间飞艇技术开发有限公司 一种gnss/ins组合导航方法及系统
CN105116431A (zh) * 2015-09-08 2015-12-02 中国人民解放军装备学院 一种惯性导航平台和北斗卫星的高精度超紧耦合导航方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4578678A (en) * 1983-11-14 1986-03-25 The United States Of America As Represented By The United States National Aeronautics And Space Administration High dynamic global positioning system receiver
US6072428A (en) * 1998-06-03 2000-06-06 Trimble Navigation Limited Location determination using doppler and pseudorange measurements from fewer than four satellites
US6297770B1 (en) * 2000-05-23 2001-10-02 Mitsubishi Denki Kabushiki Kaisha Global positioning system and global positioning method with improved sensitivity by detecting navigation data inversion boundaries
US6329946B1 (en) * 2000-05-31 2001-12-11 Mitsubishi Denki Kabushiki Kaisha GPS position measuring system and GPS position measuring apparatus
US6718174B2 (en) * 2000-10-27 2004-04-06 Qualcomm Incorporated Method and apparatus for estimating velocity of a terminal in a wireless communication system
FI111037B (fi) * 2002-02-25 2003-05-15 Nokia Corp Menetelmä ja järjestelmä elektroniikkalaitteen sijainnin määrittämiseksi ja elektroniikkalaite
US6661371B2 (en) * 2002-04-30 2003-12-09 Motorola, Inc. Oscillator frequency correction in GPS signal acquisition
US6664923B1 (en) * 2002-09-24 2003-12-16 Novatel, Inc. Position and velocity Kalman filter for use with global navigation satelite system receivers
JPWO2005017552A1 (ja) * 2003-08-14 2006-10-12 富士通株式会社 情報処理装置およびｇｐｓ測位方法
JP3806425B2 (ja) * 2003-12-01 2006-08-09 マゼランシステムズジャパン株式会社 衛星測位方法及び衛星測位システム
JP4151716B2 (ja) * 2006-07-21 2008-09-17 セイコーエプソン株式会社 測位装置、その制御方法及びプログラム
JP5113407B2 (ja) * 2007-03-22 2013-01-09 古野電気株式会社 Ｇｐｓ複合航法装置
US7567208B2 (en) * 2007-06-29 2009-07-28 Sirf Technology Holdings, Inc. Position and time determination under weak signal conditions
US7987047B2 (en) * 2007-09-10 2011-07-26 Mitsubishi Electric Corporation Navigation equipment
US8072371B2 (en) * 2008-05-23 2011-12-06 Qualcomm Incorporated Multiple-mode location determining methods and systems
US8044851B2 (en) 2009-04-17 2011-10-25 Mstar Semiconductor, Inc. Method for suppressing multipath errors in a satellite navigation receiver
CN101937073B (zh) * 2009-06-30 2012-11-28 凹凸电子（武汉）有限公司 Gps卫星的载波频率检测方法和装置及gps接收机
JP5652049B2 (ja) 2010-08-16 2015-01-14 セイコーエプソン株式会社 位置算出方法及び受信装置
US9602974B2 (en) 2012-12-28 2017-03-21 Trimble Inc. Dead reconing system based on locally measured movement
CN104181561A (zh) * 2013-05-24 2014-12-03 凹凸电子（武汉）有限公司 一种接收机和卫星定位及测速方法
JP6201762B2 (ja) * 2014-01-08 2017-09-27 株式会社デンソー 速度推定装置
US9781569B2 (en) * 2015-03-12 2017-10-03 GM Global Technology Operations LLC Systems and methods for resolving positional ambiguities using access point information
US10078138B2 (en) 2015-09-08 2018-09-18 Apple Inc. Doppler shift correction using three-dimensional building models
US9945956B2 (en) 2015-09-08 2018-04-17 Apple Inc. GNSS positioning using three-dimensional building models
US10203417B2 (en) * 2016-01-25 2019-02-12 Topcon Positioning Systems, Inc. Methods and apparatus for estimating motion parameters of GNSS receiver
CN106443728A (zh) 2016-11-18 2017-02-22 太原理工大学 自适应gps/北斗矢量跟踪算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004259A (zh) * 2010-09-17 2011-04-06 浙江大学 高灵敏度环境下基于多普勒平滑伪距的卫星导航解算定位方法
CN104459747A (zh) * 2014-12-19 2015-03-25 北京临近空间飞艇技术开发有限公司 一种gnss/ins组合导航方法及系统
CN105116431A (zh) * 2015-09-08 2015-12-02 中国人民解放军装备学院 一种惯性导航平台和北斗卫星的高精度超紧耦合导航方法

Also Published As

Publication number Publication date
KR20210009352A (ko) 2021-01-26
EP3794379A2 (en) 2021-03-24
US20190353800A1 (en) 2019-11-21
TWI812685B (zh) 2023-08-21
WO2020023083A3 (en) 2020-07-23
WO2020023083A2 (en) 2020-01-30
US10871576B2 (en) 2020-12-22
CN112105959A (zh) 2020-12-18
TW201947256A (zh) 2019-12-16

Similar Documents

Publication Publication Date Title
CN112105959B (zh) 基于多普勒的卫星定位系统测量中的误差缓解
CN107850673B (zh) 视觉惯性测距姿态漂移校准
US9947100B2 (en) Exterior hybrid photo mapping
US10495763B2 (en) Mobile platform positioning using satellite positioning system and visual-inertial odometry
Angrisano et al. Performance assessment of GPS/GLONASS single point positioning in an urban environment
EP2443477B1 (en) Post-processing real-time data
CN109313272B (zh) 使用速度积分的改进gnss接收器
US9250083B2 (en) Heading, velocity, and position estimation with vehicle sensors, mobile device, and GNSS inputs
US11914055B2 (en) Position-window extension for GNSS and visual-inertial-odometry (VIO) fusion
US20160282473A1 (en) Systems, methods and devices for satellite navigation reconciliation
US10502840B2 (en) Outlier detection for satellite positioning system using visual inertial odometry
US20180188382A1 (en) Selection of gnss data for positioning fusion in urban environments
HUE027043T2 (en) Positioning on request
KR20180108629A (ko) 시각적인 관성 주행 거리계와 위성 포지셔닝 시스템 기준 프레임들의 정렬
US20180188381A1 (en) Motion propagated position for positioning fusion
JP6178385B2 (ja) 衛星測位の信頼性を推定するための方法および装置
Gao INS-assisted high sensitivity GPS receivers for degraded signal navigation
JP2022545327A (ja) 反射したｇｎｓｓ信号に対する感度を高めること
US20220276394A1 (en) Map-aided satellite selection
Lin Contributions to a context-aware high sensitivity GNSS software receiver
Krach Sensor fusion by Bayesian filtering for seamless pedestrian navigation
López-Salcedo et al. Demonstration of ubiquitous positioning with wifi, ins and assisted hs-gnss hybridization

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