CN112666588A - 一种城市峡谷环境下基于景象匹配与机器学习的定位方法 - Google Patents

Abstract

本发明提供了一种城市峡谷环境下基于景象匹配与机器学习的定位方法，包括以下步骤：步骤1，构建建筑物轮廓线数据库；步骤2，标定随机森林训练数据集；步骤3，训练用于接收类型判定的多特征随机森林决策树；步骤4，获取载体实际所处位置建筑物轮廓信息；步骤5，载体实际位置建筑物轮廓特征提取与特征匹配粗略定位；步骤6，确定最佳候选区域；步骤7，通过候选区域内插值获取精确位置信息。该方法不再受限于定位解算时可用卫星的数量，克服了城市峡谷缺星现象严重的问题。

Description

一种城市峡谷环境下基于景象匹配与机器学习的定位方法

技术领域

本发明涉及一种城市峡谷环境下基于景象匹配与机器学习的定位方法。

背景技术

城市峡谷环境缺星现象十分严重，在高度城市化区域，即使在多GNSS星座组合下仍可能出现可用星不足的情况，且卫星信号受到障碍物遮挡情况严重，特殊的建筑物墙体材质还可能导致卫星信号发射反射与衍射，导致卫星定位精度降级，无法满足城市用户的实际应用需求。

由互联网发展衍生而来的“互联网+”新业态对基于位置的服务(Location BasedServices，LBS)提出了更高的要求。人们日常的通勤出行、网上订餐、物流追踪乃至社交娱乐等诸多生活细节都需要获取用户的位置信息，且相对而言城市用户的需求更为迫切。由于GNSS(全球导航卫星系统，Global Navigation Satellite System)的固有脆弱性和密集城市环境楼高街窄的特点，卫星信号在传输过程中极易受到城市建筑物的遮挡与反射，导致信号传播的路程增加，最后信号进入接收机的时刻会比在正常未经反射的情况后延一段时间，信号传输时间增加，导致最终接收机接收到的伪距存在较大误差。称这种经过反射后被接收的信号为反射信号，相反为直射信号。Groves等人指出反射信号对定位产生的影响主要可分为两种，一种为非视距(Non-Line-of-Sight，NLOS)接收，此时一颗卫星仅有反射信号到达接收机；另一种为多路径(Multipath)，即反射信号与直射信号同时到达接收机。两者统称为多路径效应，在这两种影响下，不论是哪一种，都会给最终的定位解算结果带来影响。利用这种存在较大伪距误差的卫星信号进行定位解算的精度非常差，Jiang等人指出此类误差会导致数十米甚至更高的定位误差，因此，完全无法满足实际的应用需求。此外，同样由于上述原因，在城市环境下利用单系统进行定位解算还存在另一个严重问题，即在城市峡谷环境下，单系统可接收到的卫星数量常常无法满足大于等于4颗的定位解算需求，缺星现象十分严重。此外，城市峡谷对卫星定位的影响还体现在卫星几何构性差这一方面，这可能导致定位精度降级问题。

目前，随着各国重视程度的提升，卫星导航定位技术的地位得到逐步提高，围绕其产生的新技术也应运而生。随着各大GNSS建设部署的推进，多星座的定位方案更加趋于成熟，尤其是对于卫星受遮挡严重的问题，为实现提高复杂城市环境下的定位精度提供了可能的方案。信息工程大学冯彪等人指出，城市峡谷环境下利用多系统组合定位的优势大大高于单系统，相同情况下的单系统往往无法进行定位或出现导航定位服务不连续的情况。电子科技大学的汪文雯指出多星座组合主要存在可见星数量显著提升、定位结果可靠性提升与定位精度提高三大方面的优势。但由于不同系统之间存在时间偏差，星座增加也意味着定位解算所需卫星颗数的相应增加，武汉大学的申丽丽指出通过四系统组合进行定位结算至少需要6颗，然而在街道遮挡情况严重的区域，即使是四系统组合也无法获得足够多的可见卫星进行定位解算。如前所述，由于城市障碍物密集且环境复杂，接收机所接收到的卫星信号还易受到多路径效应的影响而存在较大误差，导致定位精度降级，对此，在信号测量阶段可采用特殊构造的天线来抑制多路径效应的影响，如扼流圈天线、高天顶天线、双极化天线和天线阵列等。Palamartchouk等人利用GNSS右手圆极化信号经反射/散射后会改变方向与偏振度这一特性，通过双极化天线的观测值对信号多径污染程度进行标定，论证了双极化天线在提升定位精度方面的潜力，但这些天线大多成本高昂且体积庞大，这对于移动端的普及应用无疑十分不利。此外，通过对接收机端的相关器进行改进等信号处理方法虽然也能够起到对多路径效应的抑制作用，但这类方法对于非视距接收并不有效。为了缓解城市环境多路径效应影响，Meguro等人通过红外摄像头探测载体周围建筑物的方位与高度，将其与GPS数据中计算获取的卫星高度角与方位角比较来判定卫星的接收类型，从而剔除受多路径效应影响的卫星以提高定位精度。

Ziyi Jiang与Groves提出了一种矢量追踪的方法，利用双极化天线探测的载噪比观测值来检测并排除NLOS信号以提高定位精度。Groves等人利用3D地图模型与射线追踪方法预测各个位置处的卫星可见性，将其与接收到的卫星信号类型判定作比较，大大提高城市峡谷内跨街方向上的定位精度。除上述手段外，卫星接收类型还能应用机器学习判定，许立达等人利用机器学习对所接收的卫星信号进行分类，通过支持向量机算法学习城市峡谷内GPS观测变量的特征以预测卫星信号接收类型，分类准确率可达75％左右。孙蕊等人利用梯度提升决策树对信号进行分类，将识别为NLOS的信号进行剔除，定位精度提升可达40％以上。

综上所述，在当前城市峡谷环境下的GNSS定位方法中，针对卫星信号多路径干扰问题的方法主要有以下几种：基于多GNSS星座组合定位的方法；基于特殊天线构造与天线阵列技术减小信号多路径污染程度的方法；基于接收机端信号处理的相关器改进技术缓解多路径效应的方法；基于相机/3D地图模型与射线追踪/双极化天线/机器学习等方法判别卫星信号接收类型并剔除NLOS信号以提高定位精度的方法。

尽管上述方法在城市复杂环境下能够提高GNSS定位精度，但其缺点也不容忽视。基于多GNSS星座组合的方法虽然在一定程度上缓解了单系统在城市环境下缺星现象严重的问题，但在障碍物众多的高度城市化区域，即使是多星座组合也无法获得足够多的可见卫星进行定位解算，且即使获得了足够多的卫星，也无法保证卫星信号没有受到多路径效应影响。基于特殊天线构造与天线阵列的方法虽然能够抑制多路径接收，但此类方法大多依靠成本高昂的天线设备且存在一定局限性，如：扼流圈天线对高仰角NLOS信号不适用等。并且这类方法将导致装置体积过于庞大，无法在移动端应用普及。此外，基于接收机信号处理的相关器改进技术能够在一定程度上缓解多路径效应，但该技术仅对Multipath有效而无法应对NLOS，器件成本也是不容忽视的问题。基于相机的方法会受限于相机传感器本身的缺陷，如天气、光线、载体移动速度等因素对其图像质量的影响，而图像质量往往会严重影响此类方法的性能，工作稳定性欠佳。基于3D地图模型与射线追踪等方法会受到3D地图模型加载速度与射线追踪处理速度的影响导致计算效率差，对于汽车等高速用户可能并不适用，另外此类方法对模型的精度要求也相对较高。另外，基于相机/3D地图模型与射线追踪/双极化天线/机器学习等方法判别卫星信号接收类型并剔除NLOS信号以提高定位精度的方法还存在一个基于NLOS剔除的共性问题，即在城市峡谷环境卫星数量岌岌可危的情况下仍进行剔除，虽然多星座能够在一定程度上缓解这些剔除方法带来的问题，但是信号剔除难免导致可用卫星数不足与卫星几何构性差等问题，最终导致定位精度降级。因此，如何利用现有LOS卫星信息，在顾及计算与处理效率的情况下利用多源信息融合手段优化并提升卫星定位结果，提高GNSS在城市复杂环境下的导航性能，是当前城市建设与社会发展亟需解决的问题。

发明内容

发明目的：为解决背景技术中存在的技术问题，本发明提出一种城市峡谷环境下基于景象匹配与机器学习的定位方法，具体为一种城市峡谷环境下基于景象匹配与机器学习的多星座定位方法，利用激光雷达点云数据提取得到的建筑物二维轮廓信息与利用3D地图模型分离得到的建筑物轮廓线数据库进行对比，匹配得到粗略位置信息，获取候选区域中心点坐标。由已知最近相邻基准点精确坐标插值得到中心点位置坐标，由卫星星历获取由机器学习判定为视距接收(Line-of-Sight,LOS)卫星的坐标信息，计算得到卫星与候选区域中心点之间的伪距，比较接收伪距与计算伪距之间的差值，按差值大小分配各候选区域权重，对各视距卫星得到的结果执行一致性检验，确定最佳候选区域。随后，在所选定候选区域内布点插值得到位置坐标，与上述选定最佳候选区域同理，利用差值比较得到最终位置信息。

本发明方法具体包括如下步骤：

步骤1，构建建筑物轮廓线数据库；

步骤2，标定随机森林训练数据集；

步骤3，训练用于接收类型判定的多特征随机森林决策树；

步骤4，获取载体实际所处位置建筑物轮廓信息；

步骤5，载体实际位置建筑物轮廓特征提取与特征匹配粗略定位；

步骤6，确定最佳候选区域；

步骤7，通过候选区域内插值获取精确位置信息。

步骤1包括：建筑物轮廓线数据库构建方法如下：根据3D地图模型构建以东北天(East-North-Up,ENU)坐标系，即以站心(如GNSS接收天线中心)为坐标系原点O的站心坐标系的NOE水平面(North-Origin-Earth,NOE)为基准面的建筑物轮廓线数据库，其中，建筑物轮廓线数据库包括如下信息：建筑物高度信息、街道路宽信息、建筑物边界轮廓信息和建筑物边角点位置信息。

步骤2包括：由GNSS观测数据解算得到卫星的方位角∠distA与高度角∠elA，根据城市峡谷已知点坐标位置信息，在所建立的建筑物轮廓线数据库中调取已知点坐标位置周边的建筑物轮廓数据，令NOE平面为0°高度角的起始面，令N轴正向为方位角的0°起始方向，由建筑物边角点位置信息获取建筑边角点坐标位置，计算已知点至建筑物边角点的方位角与高度角，结合获得的建筑物边角点方位角、高度角信息与建筑物边界轮廓信息，得到建筑物边界的方位角闭区间∠distB与高度角闭区间∠elB，由此得到以数值区间形式刻画的建筑物遮挡阴影区间，通过比较卫星的方位角、高度角与建筑物遮挡阴影区间的数值关系，判断卫星是否落在建筑物遮挡阴影内，如果∠distA处于∠distB闭区间内且∠elA也处于∠elB闭区间内时，则卫星落在建筑物遮挡阴影中，否则卫星未受到建筑物遮挡，从而确定卫星信号接收类型，如果卫星信号受到遮挡，即该卫星的高度角、方位角数值处于建筑物遮挡阴影区间内，在天空图上的反映即为卫星落在建筑物边界轮廓阴影内，将该遮挡卫星的GNSS原始观测量对应的信号接收类型标定为NLOS/Multipath，否则标定为LOS，由此生成用于随机森林训练的标定训练数据集。

步骤3包括：

步骤3-1，随机采样构建样本采样集：令步骤2生成的用于随机森林训练的标定训练数据集样本容量为m，每组样本由GNSS原始观测量和标定的信号接收类型构成，对样本进行随机采样，构建K个样本采样集；采用的随机采样方法为有放回采样，即对于一个样本，在对m个样本的随机采样中，每个样本每次被采集到的概率是1/m；

步骤3-2，训练决策树：对K个随机采样的样本采样集进行训练，生成K棵决策树，每棵决策树都构成一个弱分类器，且每棵决策树互不相关；

步骤3-3，输出预测分类结果：对于新输入的观测样本，每棵决策树输出相应预测信号接收类型；

步骤3-4，分类结果投票：对每个弱分类器的预测类别进行投票统计，票数最多的类别为最终输出的卫星信号接收类型类别。

步骤4包括：使用基于RANSAC算法的点云分割获取载体实际所处位置建筑物轮廓信息，RANSAC算法的输入包括：激光雷达点云数据DATA_LiDar、初始拟合模型Model0、最小数据组数k、迭代次数n、数据点匹配程度阈值t和判定模型适用性的数据数目d，以上参数可通过实验测试或根据以往经验选取。RANSAC算法的输出包括：最佳拟合模型Model_Best、估计的模型数据点集Set_BestModel和数据点相关的模型误差E_Best，具体包括如下步骤：

步骤4-1，输出参数初始化：

Model_Best＝[NaN]

Set_BestModel＝[NaN]

E_Best＝inf

即设最佳拟合模型与模型数据点集为空集[NaN]、模型误差为无穷大inf；

步骤4-2，当前迭代次数N<n时：

从数据DATA_LiDar中随机选择k个点作为可能的局内点inLier_may，拟合出当前k个点的模型Model_may，当前模型的数据点集Set_Model为随机选择出的k个点，对于每个DATA_LiDar中位于点集inLier_may外的点，计算这些点关于模型Model_may的拟合误差ε，如果ε<t，则将对应的点列入点集Set_Model，如果点集Set_Model中点的数量>d，则认定当前模型符合要求，令Model_Better＝Model_may，如果模型Model_Better的误差E_Better<E_Best，则令：E_Best＝E_Better，Model_Best＝Model_Better，Set_BestModel＝Set_Model，保存当前模型直到更好的模型出现，执行步骤4-4；

步骤4-3，迭代次数增加：N＝N+1，返回步骤4-2；

步骤4-4，输出：E_Best、Model_Best、Set_BestModel。

步骤5包括：

进行FAST特征点检测，包括如下步骤：

步骤5a-1，给定像素点p，设该点亮度为L，特征点界定灰度值阈值为L_t；

步骤5a-2，给定半径r，设以像素p为中心、r为半径的圆形边界所覆盖的像素数目为N；

步骤5a-3，设定像素数目阈值M，用于角点判定，如果圆形边界上，存在灰度值超过(L+L_t)或灰度值低于(L-L_t)的像素数量大于M，则判断像素p为特征点；

进行BRIEF特征描述，包括如下步骤：

步骤5b-1，对图像进行高斯滤波；

步骤5b-2，以特征点为中心，选取大小为S×S的邻域，在该邻域内随机选择一对像素点对(x,y)进行二进制赋值，以τ表示邻域内一像素点对的二进制数值，记为：

其中，L(·)表示一点的灰度值；

步骤5b-3，在邻域中继续随机选取D对点对，重复步骤5b-2中的二进制赋值，形成特征点的二进制编码，从而完成对该特征点的描述，即特征描述子；

划定候选区域范围。

步骤5中，所述划定候选区域范围具体包括：由特征点的提取结果得到特征点间相对距离、特征点间相对距离比例、特征点相对位置信息，与建筑物轮廓线数据库中建筑物边界轮廓信息、建筑物边角点位置信息进行匹配搜索，根据匹配相似度能够选定可能的候选位置，将匹配得到的候选位置坐标作为候选区域的中心位置坐标，并根据载体的最大速度，确定载体在运算平均时间内(约0.1s左右)的最大移动距离，从而约束候选区域半径以划定候选区域范围。

步骤6包括：利用步骤3中的卫星信号接收类型判定模型，输入新接收到的GNSS原始观测量得到当前该卫星信号的接收类型，并根据卫星星历获取判定为LOS卫星的卫星坐标

其中下标i表示卫星号，i＝1,2,…,n，n为卫星总数；利用距离候选选区域中心最近的两相邻基准点的精确坐标

插值得到候选区域中心位置坐标

其中基准点精准坐标的下标k表示基准点坐标号，侯选位置坐标下标j表示候选区域号，m表示候选区域总数；计算候选区域中心位置j至卫星i的伪距以得到计算伪距

如下式所示：

并与接收到的接收伪距

作差，得到计算伪距与模拟伪距的差值

其中，Δρ_ij表示第i号卫星到第j个候选区域的计算伪距与接受伪距之间的伪距差值；予以差值较小的候选区域以较高的权重，最佳候选区域的获取方法如下：

步骤c1，将所有伪距差值执行(0,1)归一化：

令伪距差值的最大值与最小值分别为Δρ_max与Δρ_min，则有：

其中，

为由上式得到的归一化结果，伪距差值越小则归一化数值越大。

步骤c2，对每颗卫星得到的归一化伪距误差进行排序与候选区域投票，归一化数值最大，得票一份，对每颗卫星执行此步骤；

步骤c3，结合各卫星执行结果，统计各候选区域分数，选定得分最高者为最佳候选区域。

步骤7包括：在步骤5中基于载体最大速度划定的候选区域内利用基准点精确坐标进行插值，获取最佳候选区域内的位置坐标(X_t,Y_t,Z_t)，t＝1,2,…,h，下标t表示侯选位置号，h表示侯选位置总数；

比较各插值所得的坐标点至卫星间的计算伪距与实际接收伪距之间差值的大小，最终确定差值最小的位置为最终输出的精确位置解，其中，卫星i到侯选位置t的伪距差值Δρ_it为：

予以差值较小的候选位置以较高的权重，最佳候选区域的获取方法如下：

步骤d1，将所有伪距差值执行(0,1)归一化：

令伪距差值的最大值与最小值分别为Δρ_max与Δρ_min，则有：

其中，

为由上式得到的伪距差值归一化结果，伪距差值越小则归一化数值越大。

步骤d2，对每颗卫星得到的归一化伪距误差进行排序与候选区域投票；

步骤d3，结合各卫星执行结果，统计各候选区域分数，选定得分最高者为最终输出的精确位置解。

有益效果：本发明提出了一种城市峡谷环境下基于景象匹配与机器学习的多星座定位方法，该方法不再受限于定位解算时可用卫星的数量，克服了城市峡谷缺星现象严重的问题，能够保证在出现即使采用多星座组合的方式卫星数量仍不足的恶劣情况下系统依旧能够正常工作，对单一系统同样适用；其次，本方法对激光雷达点云数据采用随机一致性采样方法(Random Sample Consensus,RANSAC)进行点云分割并进行特征提取，避免了由于数据量过大造成的计算效率不足问题。并且，本方法通过载体最大速度来约束候选区域半径，能够满足多种载体(如：行人、无人车、非机动车、机动车等)的应用需求，适用性强，相较针对单一类型载体的方法节约了城市中导航基础设施的建设成本。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是本地坐标系示意图。

图2是建筑物轮廓线数据库信息与卫星高度角/方位角示意图。

图3a是高度角与方位角计算示意图。

图3b是卫星信号接收类型判定方法示意图。

图4是基于随机森林的卫星信号接收类型模型构建流程图。

图5是RANSAC算法“局内点”分离结果示意图。

图6是本发明方法架构图。

具体实施方式

如图6所示，本发明提供了一种城市峡谷环境下基于景象匹配与机器学习的定位方法，包括如下步骤：

1)构建建筑物轮廓线数据库与基准点数据库

建筑物轮廓线数据库的构建将用于卫星信号接收类型判定、随机森林训练数据库构建与载体粗略定位位置匹配。3D地图模型包含形状、尺寸、色彩、亮度、纹理和空间造型等信息，数据体量庞大，因此在直接使用时，庞大数据对地图载入时间、信息提取处理效率等的负面影响将直接关系算法性能。介于本方法仅需利用3D城市模型中城市建筑物的形状与尺寸的相关信息，因此基于需求对3D城市模型信息进行提炼，构建建筑物轮廓线数据库，数据库构建方法如下：如图1所示，根据3D地图模型构建以本地坐标系(即：东北天坐标系)的NOE水平面为基准面的建筑物轮廓线数据库。其中，建筑物轮廓线数据库包含信息内容如图2所示，即：建筑物高度信息、街道路宽信息、建筑物边界轮廓信息和建筑物边角点位置信息。由建筑物遮挡、反射引起的卫星信号传播路径变化及其对应的卫星信号接收类型也如图2所示。基准点数据库构建方法如下：利用载波相位差分技术(Real-Time Kinematic,RTK)获取开阔地带基准点的精确位置，利用全站仪精准测距，以开阔地带的基准点精确坐标为基准推算基准点网格处的精确坐标。基准点网格的网格大小可按实际建设成本与精度需求而改变。

2)标定随机森林训练数据集

由于城市峡谷中GNSS信号最主要的障碍物即为城市高楼大厦，因此，可根据卫星信号是否受到建筑物遮挡来标定卫星信号的接收类型，本步骤具体说明如下：

卫星的方位角∠distA与高度角∠elA由GNSS观测数据解算得到，如图2所示。根据城市峡谷已知点坐标位置信息，在所建立的建筑物轮廓线数据库中调取该坐标位置周边的建筑物轮廓数据。令NOE平面为0°高度角的起始面，令N轴正向(即本地坐标系的正北方向)为方位角的0°起始方向，由建筑物边角点位置信息获取建筑边角点坐标位置，计算上述已知点至建筑物边角点的方位角与高度角，如图3a所示。结合获得的建筑物边角点方位角、高度角信息与建筑物边界轮廓信息可推算获得建筑物边界的方位角闭区间∠distB与高度角闭区间∠elB，如图3a所示，由此得到以数值区间形式刻画的建筑物遮挡阴影区间。通过比较卫星的方位角、高度角与建筑物遮挡阴影区间的数值关系，判断卫星是否落在建筑物遮挡阴影内，如果∠distA处于∠distB闭区间内且∠elA也处于∠elB闭区间内时，则卫星落在建筑物遮挡阴影中，否则卫星未受到建筑物遮挡，从而确定卫星信号接收类型。

图3b为卫星信号接收类型判定方法示意图，所绘为建筑物遮挡阴影与卫星位置天空图，直观显示了卫星信号接收类型判定规则。其中，同心圆环线为表示不同的高度角刻度，同心圆圆心位置表示90°高度角，依次向外分别为：80°、60°、40°、20°和0°。同心圆上顶点处为方位角0°刻度线，按顺时针方向依次为：0°～359°。如果卫星信号受到遮挡，即该卫星的高度角、方位角数值处于建筑物遮挡阴影区间内，在天空图上的反映即为卫星落在建筑物边界轮廓阴影内，将该遮挡卫星的GNSS原始观测量对应的信号接收类型将标定为NLOS/Multipath，否则标记为LOS，由此生成用于随机森林训练的标定训练数据集，如图4所示。

3)训练用于接收类型判定的多特征随机森林决策树

利用2)中标定好的训练数据集进行随机森林训练，构建卫星信号接收类型判定模型，本步骤具体说明如下：

随机森林是多棵决策树的集合，决策树构建随机且每棵决策树互不关联，输入步骤2中的训练数据集，进行决策树训练，即可得到城市峡谷环境下的卫星信号接收类型判定模型，基于随机森林的模型构建流程如图4所示，包括：

(1)随机采样构建样本采样集。令训练数据集样本容量为m，每组样本由GNSS原始观测量(卫星信号强度、卫星高度角、伪距残差)和标定的信号接收类型构成。对样本进行随机采样，构建K个样本采样集。算法采用的随机采样方法为有放回采样，即对于一个样本，在对m个样本的随机采样中，每个样本每次被采集到的概率是1/m。

(2)决策树训练。对K个随机采样的样本采样集进行训练，生成K棵决策树。每棵决策树都构成一个弱分类器，且每棵决策树互不相关。

(3)预测分类结果输出。对于新输入的观测样本(卫星信号强度、卫星高度角、伪距残差)，每棵决策树输出相应预测信号接收类型。

(4)分类结果投票

对每个弱学习器的预测类别进行投票统计，票数最多的类别为最终输出的卫星信号接收类型类别。

4)获取载体实际所处位置建筑物轮廓信息

激光雷达普遍存在瞬时数据量过大的问题，且由于城市内静态、动态障碍物较多，因此，使用激光雷达数据获取载体周围的建筑物边界信息需要对建筑物立面与道路平面进行识别。本方法利用RANSAC算法进行点云分割，分离建筑物外立面与其他干扰障碍物，本步骤具体说明如下：

基于RANSAC算法的点云分割原理如下表1所示：

表1

(1)输出参数初始化

Model_Best＝[NaN]

Set_BestModel＝[NaN]

E_Best＝inf

即设最佳拟合模型与模型数据点集为空集([NaN])、模型误差为无穷大(inf)。

(2)拟合模型迭代

伪代码流程如下：

while当前迭代次数N<n时：

从数据DATA_LiDar中随机选择k个点作为可能的“局内点”inLier_may

拟合出当前k个点的模型Model_may

当前模型的数据点集Set_Model为上述随机选择出的k个点

for每个DATA_LiDar中位于点集inLier_may外的点

计算这些点关于模型Model_may的拟合误差ε

ifε<t

则将该点列入点集Set_Model

end

if点集Set_Model中点的数量>d

则认定当前模型符合要求，令Model_Better＝Model_may

if模型Model_Better的误差E_Better<E_Best

则令：E_Best＝E_Better

Model_Best＝Model_Better

Set_BestModel＝Set_Model

保存当前模型直到更好的模型出现

end

end

end

迭代次数增加：N＝N+1

end

(3)输出RANSAC算法输出：E_Best、Model_Best、Set_BestModel

至此，如图5所示，已经利用RNASAC算法分离了建筑物立面点云，将获取的建筑物立面点云分割结果与激光雷达的测距信息相结合，并将点云投影至道路平面上，即可得到由点构成的当前载体实际所处位置的周边建筑物轮廓信息，得到投影至道路平面的载体周边建筑物轮廓平面图，如图5右图所示。

5)载体实际位置建筑物轮廓特征提取与特征匹配粗略定位

利用ORB(Oriented FAST and Rotated BRIEF)算法提取和描述步骤4)中得到的当前周边建筑物轮廓平面图中的建筑轮廓特征，本步骤具体说明如下：

ORB算法是将FAST(Features from Accelerated Segment Test)特征点检测算法与BRIEF特征描述结合起来的特征提取和描述的方法，该算法的最大优势在于其特征提取的快速性，因此适用于城市峡谷动态环境下的特征提取。

FAST特征点检测算法工作原理如下：

(1)给定像素点p，设该点亮度为L，特征点界定灰度值阈值为L_t，L_t阈值可设为给定像素点p的亮度的百分之二十，即0.2L。

(2)给定半径r，设以像素p为中心、r为半径的圆形边界所覆盖的像素数目为N。

(3)设定像素数目阈值M，用于角点判定。如果圆形边界上，存在连续个像素点的灰度值超过(L+L_t)或低于(L-L_t)，若这组像素点数量大于M，则判断像素p为特征点。例如，当半径r＝3时，圆形边界所覆盖的像素数目为16，即N＝16，通常像素数目阈值M取为12(也可取9或11)，若像素点p周围有连续12个点达到灰度值阈值要求，则像素点p判定为角点。

BRIEF特征描述方法如下：

(1)对图像进行高斯滤波，降低噪声干扰影响。

(2)以特征点为中心，选取大小为S×S的邻域(S可设为31)，在该区域内随机选择一对像素点对(x,y)进行二进制赋值：

其中，L(·)表示某点的灰度值。

(3)在邻域中继续随机选取D对点对(D值通常设为256)，重复(2)中的二进制赋值，形成特征点的二进制编码，从而完成对该特征点的描述，即特征描述子。

最后，由特征点的提取结果可以得到特征点间相对距离、特征点间相对距离比例、特征点相对位置等信息，与建筑物轮廓线数据库中建筑物边界轮廓信息、建筑物边角点位置信息进行匹配搜索，根据匹配相似度能够选定可能的候选位置，需要注意这里选中的候选位置可能有多个。将匹配得到的候选位置坐标作为候选区域的中心位置坐标，并根据载体的最大速度，确定载体在本方法运算平均时间内的最大移动距离，从而约束候选区域半径以划定候选区域范围，提高本方法对于多种载体的适用性。

6)确定最佳候选区域

由于特征匹配精度有限，步骤5)中得到的候选区域可能不止一个，因此在得到载体精确位置前需要确定最佳候选区域，本步骤具体说明如下：

利用步骤3)中的卫星信号接收类型判定模型，输入新接收到的GNSS原始观测量(卫星信号强度、卫星高度角、伪距残差)得到当前该卫星信号的接收类型，并根据卫星星历获取判定为LOS卫星的卫星坐标

其中下标i表示卫星号，i＝1,2,…,n。利用距离候选区域中心最近的两相邻基准点的精确坐标

插值得到候选区域中心位置坐标(即对应候选区域的中心坐标)

其中基准点精准坐标的下标k表示基准点坐标号，侯选位置坐标下标j表示候选区域号。计算候选区域中心位置j至卫星i的伪距以得到计算伪距，如下式所示：

并与接收到的接收伪距

作差，得到计算伪距与模拟伪距的差值

其中，Δρ_ij表示第i号卫星到第j个候选区域的计算伪距与接受伪距之间的伪距差值。予以差值较小的候选区域以较高的权重，最佳候选区域的获取方法如下：

(1)将所有伪距差值执行(0,1)归一化：

令伪距差值的最大值与最小值分别为Δρ_max与Δρ_min，则有：

由此得到的归一化结果，伪距差值越小归一化数值越大。

(2)对每颗卫星得到的归一化伪距误差进行排序与候选区域投票。归一化数值最大，得票一份，对每颗卫星执行此步骤。例如，3号卫星相对3个候选区域(1，2，3)的伪距差值归一化结果为：(0.25，0.33，0.67)，则3号候选区域的一分，3号卫星单次投票的结果为：(0，0，1)。

(3)结合各卫星执行结果，统计各候选区域分数，选定得分最高者为最佳候选区域。

值得注意的是，本方法在LOS卫星数量不足以进行定位解算时，仍能够利用仅有的LOS卫星确定最佳候选区域，继续后续步骤能够得到更加精确的位置解。

7)通过候选区域内插值获取精确位置信息

在步骤5)中基于载体最大速度划定的候选区域内利用基准点精确坐标进行插值，获取最佳候选区域内的位置坐标(X_t,Y_t,Z_t)，t＝1,2,…,h，下标t表示侯选位置号。

与步骤6)相似，比较各插值所得的坐标点至卫星间的计算伪距与实际接收伪距之间差值的大小，最终确定差值最小的位置为本方法最终输出的精确位置解。其中，卫星i到侯选位置t的伪距差值Δρ_it为：

予以差值较小的候选位置以较高的权重，最佳候选区域的获取方法如下：

(1)将所有伪距差值执行(0,1)归一化：

令伪距差值的最大值与最小值分别为Δρ_max与Δρ_min，则有：

(2)对每颗卫星得到的归一化伪距误差进行排序与候选区域投票。

(3)结合各卫星执行结果，统计各候选区域分数，选定得分最高者为最终输出的精确位置解。

本发明提供了一种城市峡谷环境下基于景象匹配与机器学习的定位方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (9)

1.一种城市峡谷环境下基于景象匹配与机器学习的定位方法，其特征在于，包括以下步骤：

步骤1，构建建筑物轮廓线数据库；

步骤2，标定随机森林训练数据集；

步骤3，训练用于接收类型判定的多特征随机森林决策树；

步骤4，获取载体实际所处位置建筑物轮廓信息；

步骤5，载体实际位置建筑物轮廓特征提取与特征匹配粗略定位；

步骤6，确定最佳候选区域；

步骤7，通过候选区域内插值获取精确位置信息。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：建筑物轮廓线数据库构建方法如下：根据3D地图模型构建以东北天ENU坐标系，即以站心为坐标系原点O的站心坐标系的水平面NOE为基准面的建筑物轮廓线数据库，其中，建筑物轮廓线数据库包括如下信息：建筑物高度信息、街道路宽信息、建筑物边界轮廓信息和建筑物边角点位置信息。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：由GNSS观测数据解算得到卫星的方位角∠distA与高度角∠elA，根据城市峡谷已知点坐标位置信息，在所建立的建筑物轮廓线数据库中调取已知点坐标位置周边的建筑物轮廓数据，令NOE平面为0°高度角的起始面，令N轴正向为方位角的0°起始方向，由建筑物边角点位置信息获取建筑边角点坐标位置，计算已知点至建筑物边角点的方位角与高度角，结合获得的建筑物边角点方位角、高度角信息与建筑物边界轮廓信息，得到建筑物边界的方位角闭区间∠distB与高度角闭区间∠elB，由此得到以数值区间形式刻画的建筑物遮挡阴影区间，通过比较卫星的方位角、高度角与建筑物遮挡阴影区间的数值关系，判断卫星是否落在建筑物遮挡阴影内，如果∠distA处于∠distB闭区间内且∠elA也处于∠elB闭区间内时，则卫星落在建筑物遮挡阴影中，否则卫星未受到建筑物遮挡，从而确定卫星信号接收类型，如果卫星信号受到遮挡，即该卫星的高度角、方位角数值处于建筑物遮挡阴影区间内，在天空图上的反映即为卫星落在建筑物边界轮廓阴影内，将该遮挡卫星的GNSS原始观测量对应的信号接收类型标定为NLOS/Multipath，否则标定为LOS，由此生成用于随机森林训练的标定训练数据集。

4.根据权利要求3所述的方法，其特征在于，步骤3包括：

步骤3-1，随机采样构建样本采样集：令步骤2生成的用于随机森林训练的标定训练数据集样本容量为m，每组样本由GNSS原始观测量和标定的信号接收类型构成，对样本进行随机采样，构建K个样本采样集；采用的随机采样方法为有放回采样，即对于一个样本，在对m个样本的随机采样中，每个样本每次被采集到的概率是1/m；

步骤3-2，训练决策树：对K个随机采样的样本采样集进行训练，生成K棵决策树，每棵决策树都构成一个弱分类器，且每棵决策树互不相关；

步骤3-3，输出预测分类结果：对于新输入的观测样本，每棵决策树输出相应预测信号接收类型；

步骤3-4，分类结果投票：对每个弱分类器的预测类别进行投票统计，票数最多的类别为最终输出的卫星信号接收类型类别。

5.根据权利要求4所述的方法，其特征在于，步骤4包括：使用基于RANSAC算法的点云分割获取载体实际所处位置建筑物轮廓信息，RANSAC算法的输入包括：激光雷达点云数据DATA_LiDar、初始拟合模型Model0、最小数据组数k、迭代次数n、数据点匹配程度阈值t和判定模型适用性的数据数目d，RANSAC算法的输出包括：最佳拟合模型Model_Best、估计的模型数据点集Set_BestModel和数据点相关的模型误差E_Best，具体包括如下步骤：

步骤4-1，输出参数初始化：

Model_Best＝[NaN]

Set_BestModel＝[NaN]

E_Best＝inf

即设最佳拟合模型与模型数据点集为空集[NaN]、模型误差为无穷大inf；

步骤4-2，当前迭代次数N<n时：

从数据DATA_LiDar中随机选择k个点作为可能的局内点inLier_may，拟合出当前k个点的模型Model_may，当前模型的数据点集Set_Model为随机选择出的k个点，对于每个DATA_LiDar中位于点集inLier_may外的点，计算这些点关于模型Model_may的拟合误差ε，如果ε<t，则将对应的点列入点集Set_Model，如果点集Set_Model中点的数量>d，则认定当前模型符合要求，令Model_Better＝Model_may，如果模型Model_Better的误差E_Better<E_Best，则令：E_Best＝E_Better，Model_Best＝Model_Better，Set_BestModel＝Set_Model，保存当前模型直到更好的模型出现，执行步骤4-4；

步骤4-3，迭代次数增加：N＝N+1，返回步骤4-2；

步骤4-4，输出：E_Best、Model_Best、Set_BestModel；

至此，已经利用RNASAC算法分离了建筑物立面点云，将获取的建筑物立面点云分割结果与激光雷达的测距信息相结合，并将点云投影至道路平面上，即得到由点构成的当前载体实际所处位置的周边建筑物轮廓信息，得到投影至道路平面的载体周边建筑物轮廓平面图像。

6.根据权利要求5所述的方法，其特征在于，步骤5包括：

进行FAST特征点检测，包括如下步骤：

步骤5a-1，给定像素点p，设该点亮度为L，特征点界定灰度值阈值为L_t；

步骤5a-2，给定半径r，设以像素p为中心、r为半径的圆形边界所覆盖的像素数目为N；

步骤5a-3，设定像素数目阈值M，用于角点判定，如果圆形边界上，存在灰度值超过(L+L_t)或灰度值低于(L-L_t)的像素数量大于M，则判断像素p为特征点；

进行BRIEF特征描述，包括如下步骤：

步骤5b-1，对图像进行高斯滤波；

步骤5b-2，以特征点为中心，选取大小为S×S的邻域，在该邻域内随机选择一对像素点对(x,y)进行二进制赋值，以τ表示邻域内一像素点对的二进制数值，记为：

其中，L(·)表示一点的灰度值；

步骤5b-3，在邻域中继续随机选取D对点对，重复步骤5b-2中的二进制赋值，形成特征点的二进制编码，从而完成对该特征点的描述，即特征描述子；

划定候选区域范围。

7.根据权利要求6所述的方法，其特征在于，步骤5中，所述划定候选区域范围具体包括：由特征点的提取结果得到特征点间相对距离、特征点间相对距离比例、特征点相对位置信息，与建筑物轮廓线数据库中建筑物边界轮廓信息、建筑物边角点位置信息进行匹配搜索，根据匹配相似度能够选定可能的候选位置，将匹配得到的候选位置坐标作为候选区域的中心位置坐标，并根据载体的最大速度，确定载体在运算平均时间内的最大移动距离，从而约束候选区域半径以划定候选区域范围。

8.根据权利要求7所述的方法，其特征在于，步骤6包括：利用步骤3中的卫星信号接收类型判定模型，输入新接收到的GNSS原始观测量得到当前该卫星信号的接收类型，并根据卫星星历获取判定为LOS卫星的卫星坐标

其中下标i表示卫星号，i＝1,2,…,n，n为卫星总数；利用距离候选选区域中心最近的两相邻基准点的精确坐标

插值得到候选区域中心位置坐标

其中基准点精准坐标的下标k表示基准点坐标号，侯选位置坐标下标j表示候选区域号，m表示候选区域总数；计算候选区域中心位置j至卫星i的伪距以得到计算伪距

如下式所示：

并与接收到的接收伪距

作差，得到计算伪距与模拟伪距的差值

其中，Δρ_ij表示第i号卫星到第j个候选区域的计算伪距与接受伪距之间的伪距差值；予以差值较小的候选区域以较高的权重，最佳候选区域的获取方法如下：

步骤c1，将所有伪距差值执行(0,1)归一化：

令伪距差值的最大值与最小值分别为Δρ_max与Δρ_min，则有：

其中，

为由上式得到的归一化结果；

步骤c2，对每颗卫星得到的归一化伪距误差进行排序与候选区域投票，归一化数值最大，得票一份，对每颗卫星执行此步骤；

步骤c3，结合各卫星执行结果，统计各候选区域分数，选定得分最高者为最佳候选区域。

9.根据权利要求8所述的方法，其特征在于，步骤7包括：在步骤5中基于载体最大速度划定的候选区域内利用基准点精确坐标进行插值，获取最佳候选区域内的位置坐标(X_t,Y_t,Z_t)，t＝1,2,…,h，下标t表示侯选位置号，h表示侯选位置总数；

比较各插值所得的坐标点至卫星间的计算伪距与实际接收伪距之间差值的大小，最终确定差值最小的位置为最终输出的精确位置解，其中，卫星i到侯选位置t的伪距差值Δρ_it为：

予以差值较小的候选位置以较高的权重，最佳候选区域的获取方法如下：

步骤d1，将所有伪距差值执行(0,1)归一化：

令伪距差值的最大值与最小值分别为Δρ_max与Δρ_min，则有：

其中，

为由上式得到的伪距差值归一化结果，伪距差值越小则归一化数值越大；

步骤d2，对每颗卫星得到的归一化伪距误差进行排序与候选区域投票；

步骤d3，结合各卫星执行结果，统计各候选区域分数，选定得分最高者为最终输出的精确位置解。

Images