CN113031031B - 一种城市峡谷内基于gnss信号精确分类的加权定位方法 - Google Patents
一种城市峡谷内基于gnss信号精确分类的加权定位方法 Download PDFInfo
- Publication number
- CN113031031B CN113031031B CN202110257046.1A CN202110257046A CN113031031B CN 113031031 B CN113031031 B CN 113031031B CN 202110257046 A CN202110257046 A CN 202110257046A CN 113031031 B CN113031031 B CN 113031031B
- Authority
- CN
- China
- Prior art keywords
- satellite
- signal
- point
- satellite signal
- multipath
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 38
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000005314 correlation function Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 230000010287 polarization Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种城市峡谷内基于GNSS信号精确分类的加权定位方法,属于卫星定位导航领域,该方法包括步骤1:建立历史训练数据集,从基站处和城市峡谷处采集GNSS数据,结合GNSS数据对卫星信号接收类型进行标定,将卫星信号载噪比C/N0、卫星高度角θ和卫星信号接收类型组成历史训练数据集;步骤2:采用机器学习算法深度森林,对所述历史训练数据集进行挖掘,生成卫星信号接收类型判断法则;步骤3:从城市峡谷采集GNSS数据,使用深度森林预测卫星信号接收类型,结合加权最小二乘进行定位解算。该方法实现了GNSS信号接收类型的精确分类,结合考虑载噪比和卫星高度角及信号接收类型的加权定位解算有效提高了定位精度。
Description
技术领域
本发明属于卫星定位导航领域,尤其涉及一种城市峡谷内基于GNSS信号精确分类的加权定位方法。
背景技术
智慧城市的发展促使了位置服务应用的蓬勃发展。城市中的位置服务包括智能交通、智能医疗定位和物流监控等多种应用。导航定位技术通过获取载体的实时位置、速度和时间信息,可以为城市环境的位置服务提供重要支撑。全球导航卫星系统(globalnavigation satellite system,GNSS)作为导航定位技术的重要传感器,其信号在城市环境中由于建筑物的遮挡会产生非视距(non-line of sight,NLOS)信号与多路径(multipath)信号。NLOS和Multipath信号会导致GNSS定位产生巨大误差。因此,有效地识别并处理NLOS和Multipath信号对提高GNSS在城市环境中的定位精度具有重要意义。
对于NLOS和Multipath信号的判断和识别方法中,传统的基于载噪比C/N0和卫星高度角的方法在较空旷环境中具有一定的效果,但是在建筑密集地区中基本只能达到50%左右的正确判断率。为了进一步提高信号接收类型的判断率,近年来通过利用城市环境信息结合机器学习的GNSS原始观测量建模的方法成为研究的热点。Guermah等人提出基于融合RHCP(right hand circular polarization,右旋圆极化)天线和LHCP(left handcircular polarization,左旋圆极化)天线提供的信息和机器学习技术的GNSS信号分类系统,在较空旷环境下实现信号的精确分类,但未在建筑密集地区进行实验;Munin等人提出了利用卷积神经网络(CNN,Convolutional Neural Networks)模型来检测GNSS的多路径信号,并验证了将训练后的模型将其嵌入GNSS接收器的可能性,但仅进行了仿真实验;Hsu等人使用信号强度、信号强度变化率、伪距残差及伪距变化率等变量作为特征,使用支持向量机算法(SVM,Support Vector Machine)获取卫星可见性判断法则,判断准确率相比使用信号强度和伪距残差作为特征有所提高。为了进一步提高定位精度,目前许多学者进一步研究了结合GNSS信号接收类型情况进行加权定位解算的方法。Lyu等人提出了基于SVM信号分类概率的加权方式,通过信号属于视距信号LOS(Line-of-sight)和NLOS的概率综合设定多普勒观测值误差的协方差,以此加权得到定位结果比传统定位结果有所提高,但在其信号分类中未考虑多路径信号Multipath。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
GNSS信号接收类型的离线标定至关重要,离线标定的准确程度决定了机器学习训练结果的准确程度,从而对最终的判断起到决定性的作用。但是,当前文献中GNSS信号的标定使用的都是3D地图信息结合简单的射线追踪方法。这种方法对于信号传播及反射、衍射等问题考虑过于简单,认为GNSS信号电波传播是单纯沿直线传播,假设不够合理,因此导致GNSS信号接收类型的标定精度不足。从而严重影响的后续训练的精度及最终的定位精度。
同时,现有的研究中,针对判断的信号接收类型(Multipath,NLOS)在加权定位解算时,对于权重的设定考虑不够全面合理,通常情况下仅考虑单一载噪比和卫星高度角等因素,权重模型不够合理。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种城市峡谷内基于GNSS信号精确分类的加权定位方法。
为了解决上述技术问题,本发明公开了一种城市峡谷内基于GNSS信号精确分类的加权定位方法,包括:
步骤1:建立历史训练数据集,从基站处和城市峡谷处采集GNSS数据,结合GNSS数据对卫星信号接收类型进行标定,所述卫星信号接收类型分为视距信号LOS、非视距信号NLOS和多路径信号Multipath,将卫星信号载噪比C/N0、卫星高度角θ和卫星信号接收类型组成历史训练数据集;
步骤2:采用机器学习算法深度森林,对所述历史训练数据集进行挖掘,生成卫星信号接收类型判断法则;
步骤3:从城市峡谷采集GNSS数据,使用深度森林预测卫星信号接收类型,结合加权最小二乘进行定位解算。
在一种实现方式中,所述步骤1包括:
步骤1.1:利用菲涅尔区进行卫星信号接收类型判断;
步骤1.2:利用最大相关峰进行卫星信号接收类型判断;
步骤1.3:结合步骤1.1和步骤1.2综合决策卫星信号接收类型。
由于步骤1.1中利用菲涅尔区进行卫星信号接收类型判断对于多路径信号Multipath的判定可能会存在偏差,步骤1.2中利用最大相关峰进行卫星信号接收类型判断无法判断非视距信号NLOS,因此通过综合考虑卫星信号电磁波传输过程中的空间菲涅尔区效应及最大相关峰理论,再进行综合决策,提高了电磁波传播模型构建的精确程度,提高了GNSS信号接收类型的标定的准确性,从而为后续基于深度森林的监督式机器学习算法提供高精度的训练样本集。
在一种实现方式中,所述步骤1.1中通过判断卫星信号传播的第一菲涅尔区在建筑物表面的投影与建筑物墙面重叠比例是否大于50%来确定卫星信号接收类型;当重叠比例小于50%、卫星未被建筑物遮挡,则判定卫星信号接收类型为视距信号LOS;当重叠比例大于等于50%、卫星被建筑物遮挡,则判定卫星信号接收类型为非视距信号NLOS;当重叠比例大于等于50%、卫星未被建筑物遮挡,则判定卫星信号接收类型为多路径信号Multipath。
在一种实现方式中,所述步骤1.2中绘制卫星信号关于多普勒频移和码延迟的3D相关函数图像,记n为0.1s内的卫星信号相关函数图像中局部最大相关峰的数量,α为判断卫星信号是否为多路径信号Multipath的阈值,当n>α时,判定该卫星信号为多路径信号Multipath,否则判定为视距信号LOS。
在一种实现方式中,所述步骤1.3中当步骤1.1和步骤1.2对卫星信号接收类型判定一致时,则对该卫星信号标定接收类型;当步骤1.1判定卫星信号为视距信号LOS、步骤1.2判定该卫星信号为多路径信号Multipath,则标定该卫星信号为多路径信号Multipath;当步骤1.1判定卫星信号为多路径信号Multipath、步骤1.2判定该卫星信号为视距信号LOS,则标定该卫星信号为视距信号LOS;当步骤1.1判定卫星信号为非视距信号NLOS,则标定该卫星信号为非视距信号NLOS。本标定步骤综合考虑卫星信号电磁波传输过程中的空间菲涅尔区效应及最大相关峰理论,再进行综合决策,提高了电磁波传播模型构建的精确程度,提高了GNSS信号接收类型的标定的准确性。
在一种实现方式中,所述步骤1.1中计算卫星信号传播的第一菲涅尔区在建筑物表面的投影与建筑物墙面重叠比例的步骤包括:
步骤1.1.1:建立一个由建筑物表面的法线和竖直向上的单位向量/>构成的坐标系/>记A点为GNSS接收机所在位置,S点为卫星所在位置,A’为A点关于建筑物表面镜像位置的点,D为A点与A’点连线与建筑物表面的交点,d为AD点之间的距离,R点为A’与S连线与建筑物表面的交点,/>为R点到卫星S点的向量,/>为R点到接收机A点的向量,/>为卫星S点到接收机A点的向量,a和b为第一菲涅尔区在建筑物表面截面的长半轴和短半轴;
步骤1.1.1:建立一个由建筑物表面的法线和竖直向上的单位向量/>构成的坐标系/>记A点为GNSS接收机所在位置,S点为卫星所在位置,A’为A点关于建筑物表面镜像位置的点,D为A点与A’点连线与建筑物表面的交点,d为AD点之间的距离,R点为A’与S连线与建筑物表面的交点,/>为R点到卫星S点的向量,/>为R点到接收机A点的向量,/>为卫星S点到接收机A点的向量,a和b为第一菲涅尔区在建筑物表面截面的长半轴和短半轴;
步骤1.1.2:计算出第一菲涅尔区在建筑物表面投影的椭圆形的长半轴a、短半轴b及椭圆形面积S:
S=πab
其中为椭圆形长半轴向量,/>和/>分别为长半轴和短半轴的单位方向向量,a和b分别为长半轴和短半轴长度,λ为接收到GNSS信号的波长,β为R点到卫星S点的单位方向向量/>与建筑物表面的夹角,/>R点到卫星S点的单位方向向量/>
步骤1.1.3:计算第一菲涅尔区面积与建筑物表面的重叠比例,即结合3D模型,信号传播的第一菲涅尔区在建筑物表面的这一平面投射到建筑物表面上的面积与第一菲涅尔区的椭圆形面积之比。
在一种实现方式中,所述步骤2中记历史训练数据集为T={(x1,y1),(x2,y2),…,(xi,yi),…,(xN,yN)},其中i=1,2,3,…,N表示样本的序号,N为历史训练数据集中样本数量,xi=(C/N0i,θi)为每个样本中卫星信号载噪比和卫星高度角,yi∈{-1,0,1}为每个样本中卫星信号接收类型,-1、0和1分别表示非视距信号NLOS、多路径信号Multipath和视距信号LOS;向深度森林系统输入大小为N的样本数据,通过一个长度为L的采样窗口对其进行滑动采样;在训练阶段级联森林中的每一颗决策树计算出样本xi分类的概率为其中t表示随机森林的第t颗决策树,t∈T,T表示随机森林的决策树数量,/>分别表示第t颗决策树计算出样本xi分别属于-1、0和1的概率;每个随机森林得到对样本xi的类分布估计:/>其中m表示每一层级联森林中的第m个随机森林,m∈M,M表示级联森林中的随机森林数量,分别表示第m个随机森林对样本xi对于分类-1、0和1的类分布估计;第z层级联森林对样本xi类分布估计为:
其中z代表第z层级联森林,z∈Z,Z表示级联森林层数,在训练中随着分类准确率的不再上升而确定。然后级联森林将每一级的输出结果拼接原始特征向量作为下一级森林的输入。训练阶段得到的分类与标记过的分类对比可计算分类准确率,直到级联森林的分类准确率不再上升时,停止训练,得到复杂度是自适应的级联森林分类器,其中argmax函数表示取概率最大的分类作为最终的分类结果final,/>分别为自适应级联森林分类器得到样本xi属于-1、0和1的概率。
在一种实现方式中,所述步骤3中结合加权最小二乘进行定位解算的观测方程为:
WHX=WΔρ
其中W为权重矩阵,表示为对角矩阵:
J表示接收机所有接收到的卫星信号个数,wj表示第j颗卫星信号观测值的权重,/>表示第j颗卫星信号观测值的协方差,1≤j≤J,/>k表示使用深度森林预测获得的卫星信号接收类型的权重系数,C/N0j为第j颗卫星信号载噪比,θj为第j颗卫星高度角;H为卫星方向余弦矩阵:为从接收机近似位置(XA,0,YA,0,ZA,0)指向第j颗卫星的单位向量,由卫星位置与解算的接收机位置进行迭代计算,/>其中卫星与接收机之间的距离为/>(Xj,Yj,Zj)为卫星在地心地固坐标系下的坐标,可由卫星星历解算得到,接收机近似位置(XA,0,YA,0,ZA,0)初始设为(0,0,0);Δρ为伪距观测残差向量,为各卫星观测伪距与解算接收机位置反演出的伪距之差组成的向量;X=(ΔX,ΔY,ΔZ,cΔtA)T是包含接收机三维位置坐标的修正量(ΔX,ΔY,ΔZ)和接收机钟差ΔtA的向量,为要解算的量,其中c为光速,求解加权最小二乘矩阵方程得到:X=(HTWH)-1HTWΔρ,每次迭代解算得到一个新的修正值(ΔX,ΔY,ΔZ)以修正接收机近似位置(XA,0,YA,0,ZA,0),数次迭代后收敛到一个稳定结果;最终基于GNSS信号分类的加权定位的用户接收机的坐标(XA,YA,ZA)=(ΔX+XA,0,ΔY+YA,0,ΔZ+YA,0)。
本发明在通过机器学习得到卫星信号接收类型分类的基础上设计了新型的加权定位解算的方式,即一种结合考虑载噪比和卫星高度角及信号接收类型(LOS、NLOS、Multipath)的综合定权策略,能够实现GNSS信号的精确利用及综合解算,有效提高定位精度。
在一种实现方式中,所述步骤3中卫星信号接收类型的权重系数设置为视距信号LOS的权重系数k=1;多路径信号Multipath的权重系数k=1.5;非视距信号NLOS的权重系数k=2。根据不同的信号接收类型对于定位解算可能存在的负面影响的大小,从而通过对不同的卫星信号接收类型设置不同的权重系数,能够相对降低多路径信号和非视距信号对于定位解算的影响,从而提高定位精度。
有益效果:
当前文献中GNSS信号的标定使用的都是3D地图信息结合简单的射线追踪方法。这种方法对于信号传播及反射、衍射等问题考虑过于简单,认为GNSS信号电波传播是单纯沿直线传播,假设不够合理,因此导致GNSS信号接收类型的标定精度不足。从而严重影响的后续训练的精度及最终的定位精度。因此,本发明针对这个问题,通过综合考虑电波传输过程中的空间菲涅尔区效应及最大相关峰理论,提高了电磁波传播模型构建的精确程度,提高了GNSS信号接收类型的标定的准确性,从而为后续基于深度森林的监督式机器学习算法提供高精度的训练样本集,通过使用高精度训练抽取的规则,实现GNSS信号接收类型的精确分类。
同时,现有的研究中,针对判断的信号接收类型(Multipath,NLOS)在加权定位解算时,对于权重的设定考虑不够全面合理,通常情况下仅考虑单一载噪比和卫星高度角等因素,权重模型不够合理。本发明在通过机器学习得到卫星信号接收类型分类的基础上设计了新型的加权定位解算的方式,即一种结合考虑载噪比和卫星高度角及信号接收类型(LOS、NLOS、Multipath)的综合定权策略,从而实现了GNSS信号的精确利用及综合解算,有效提高了定位精度。
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为本申请实施例提供的一种城市峡谷内基于GNSS信号精确分类的加权定位方法的流程图;
图2为本申请实施例提供的卫星信号传播的第一菲涅尔区在建筑物表面的投影示意图。
具体实施方式
下面将结合附图,对本发明的实施例进行描述。
一种城市峡谷内基于GNSS信号精确分类的加权定位方法的流程图如图1所示,包括如下三个阶段。
(一)建立历史训练数据集
分别从基站处和城市峡谷处采集GNSS数据,使用载噪比和卫星高度角组成历史训练数据集,数据集中每个样本均包含两个变量(C/N0,θ)。并将信号分为LOS/NLOS/Multipath,进行标记,得到标记过的历史训练数据集。
本发明采用综合决策对信号类型进行标记,分为以下三步:
步骤1.1:利用菲涅尔区进行信号接收类型判断
本发明采用改进的射线追踪法判断信号接收类型,通过判断信号传播的第一菲涅尔区在建筑物表面的投影与建筑物墙面重叠比例是否大于50%来确定是否存在反射信号。计算重叠比例的步骤包括:
步骤1.1.1:建立一个由建筑物表面的法线和竖直向上的单位向量/>构成的坐标系/>如图2所示。
图2中A点为GNSS接收机所在位置,S点为卫星所在位置,A’为A点关于建筑物表面镜像位置的点,D为A点与A’点连线与建筑物表面的交点,d为AD点之间的距离,R点为A’与S连线与建筑物表面的交点,为R点到卫星S点的向量,/>为R点到接收机A点的向量,/>为卫星S点到接收机A点的向量,a和b为第一菲涅尔区在建筑物表面截面的长半轴和短半轴。
步骤1.1.2:计算出第一菲涅尔区在建筑物表面投影的椭圆形的长半轴a、短半轴b及椭圆形面积S:
S=πab
其中为椭圆形长半轴向量,/>和/>分别为长半轴和短半轴的单位方向向量,a和b分别为长半轴和短半轴长度,λ为接收到GNSS信号的波长,β为R点到卫星S点的单位方向向量/>与建筑物表面的夹角,/>R点到卫星S点的单位方向向量/>
步骤1.1.3:计算第一菲涅尔区面积与建筑物表面的重叠比例,即结合3D模型,信号传播的第一菲涅尔区在建筑物表面的这一平面投射到建筑物表面上的面积与第一菲涅尔区椭圆形面积之比。根据重叠比例以及3D地图射线追踪的结果判断信号为LOS/NLOS/Multipath。重叠比例小于50%、卫星未被建筑物遮挡为LOS;重叠比例大于等于50%、卫星被建筑物遮挡为NLOS;重叠比例大于等于50%、卫星未被建筑物遮挡为Multipath。
步骤1.2:利用最大相关峰进行信号接收类型判断
根据信号传播原理,绘制信号关于多普勒频移和码延迟的3D相关图像,Multipath信号相关函数中有多个峰。在Multipath信号的情况下,相关函数包括反射和直射信号的相关函数的组合,并且Multipath信号的瞬时频率会不同于LOS信号的。结果,出现相关输出的多个局部最大值。Multipath信号相关输出的局部最大值的数量大于LOS信号相关输出的局部最大值的数量,本发明利用相关输出的局部最大值的数量用于信号分类,n为0.1s内的相关函数图像局部最大相关峰的数量,α为判断信号是否为Multipath信号的阈值,本发明取α=1.5,当n>α时,判断该信号为Multipath信号,否则为LOS信号。
步骤1.3:综合决策信号类型标定
综合考虑接收机周围建筑对卫星的遮挡情况、信号传播原理和信号的本质特征,本发明采用步骤1.1和步骤1.2判断所得的信号类型通过如下表所示的综合决策对GNSS信号类型进行标定。
表1综合决策信号类型
步骤1.1与步骤1.2对信号判断类型一致时则可直接对该信号标定信号类型;当步骤1.1判定卫星信号为视距信号LOS、步骤1.2判定该卫星信号为多路径信号Multipath,则标定该卫星信号为多路径信号Multipath;当步骤1.1判断信号为Multipath、步骤1.2判断为LOS,则标定该信号为LOS;当步骤1.1判断信号为NLOS,则标定该信号为NLOS。
(二)深度森林挖掘卫星信号接收类型判断法则
本发明采用了深度森林(Deep Forest,DF)这种机器学习算法,对采集到的已经标记LOS/NLOS/Multipath标签的历史训练数据集进行挖掘,从而生成卫星信号接收类型判断法则。深度森林机器学习算法是集成学习的算法。训练集中的每个样本表示为xi=(C/N0i,θi),其中,i=1,2,3,…,N表示样本的序号,N为样本数量。标记过的历史训练数据集可表示为T={(x1,y1),(x2,y2),…,(xN,yN)},其中,yi∈{-1,0,1},为样本的标记,-1、0和1分别表示非视距信号NLOS、多路径信号Multipath和视距信号LOS。
深度森林主要有两种结构组成:多粒度扫描窗口和级联森林。多粒度扫描窗口增加级联森林对特征的学习效果。向深度森林系统输入大小为N的样本数据,通过一个长度为L的采样窗口对其进行滑动采样,长度L默认值为1。
在训练阶段级联森林中的每一颗决策树计算出样本xi分类的概率为 其中-1、0和1分别表示卫星信号接收类型为非视距信号NLOS、多路径信号Multipath和视距信号LOS;t表示随机森林的第t颗决策树,t∈T,T表示随机森林的决策树数量,默认值为101,/>分别表示第t颗决策树计算出样本xi分别属于-1、0和1的概率。
每个随机森林得到对样本xi的类分布估计:其中m表示每一层级联森林中的第m个随机森林,m∈M,M表示级联森林中的随机森林数量,默认值为分别表示第m个随机森林对样本xi对于分类-1、0和1的类分布估计。第z层级联森林对样本xi类分布估计为:
其中z代表第z层级联森林,z∈Z,Z表示级联森林层数,在训练中随着分类准确率的不再上升而确定,其他机器学习参数L、T、M可以进行调整。然后级联森林将每一级的输出结果拼接原始特征向量作为下一级森林的输入。训练阶段得到的分类与标记过的分类对比可计算分类准确率,直到级联森林的分类准确率不再上升时,停止训练,得到复杂度是自适应的级联森林分类器,其argmax函数作用为取概率最大的分类作为最终的分类结果final,/>分别为自适应级联森林分类器得到样本xi属于-1、0和1的概率。根据训练得到的级联森林分类器可对新接收到GNSS卫星信号进行接收类型的分类。
(三)分类加权最小二乘定位解算
本发明采用加权最小二乘进行定位解算,卫星定位的加权最小二乘观测方程为:
WHX=WΔρ
其中引入权重矩阵W,由于各个测量值之间没有相关性,故权重矩阵W为对角矩阵:C为观测值协方差矩阵,J表示接收机所有接收到的卫星信号个数,wj表示第j颗卫星信号观测值的权重,/>表示第j颗卫星信号观测值的协方差,1≤j≤J,/>k表示使用深度森林预测获得的卫星信号接收类型的权重系数,视距信号LOS的权重系数k=1;多路径信号Multipath的权重系数k=1.5;非视距信号NLOS的权重系数k=2;C/N0j为第j颗卫星信号载噪比,θj为第j颗卫星高度角。
其中卫星方向余弦矩阵为从接收机近似位置(XA,0,YA,0,ZA,0)指向第j颗卫星的单位向量,由卫星位置与解算的接收机位置进行迭代计算,/>其中卫星与接收机之间的距离为(Xj,Yj,Zj)为卫星在地心地固坐标系下的坐标,可由卫星星历解算得到。接收机近似位置(XA,0,YA,0,ZA,0)初始设为(0,0,0),也可以设置为更接近的近似坐标,加快迭代速度。Δρ为伪距观测残差向量,为各卫星观测伪距与解算接收机位置反演出的伪距之差组成的向量;X=(ΔX,ΔY,ΔZ,cΔtA)T是包含接收机三维位置坐标的修正量(ΔX,ΔY,ΔZ)和接收机钟差ΔtA的向量,为要解算的量,其中c为光速,求解加权最小二乘矩阵方程得到:X=(HTWH)-1HTWΔρ,每次迭代解算得到一个新的修正值(ΔX,ΔY,ΔZ)以修正接收机近似位置(XA,0,YA,0,ZA,0),数次迭代后收敛到一个稳定结果;最终基于GNSS信号分类的加权定位的用户接收机的坐标(XA,YA,ZA)=(ΔX+XA,0,ΔY+YA,0,ΔZ+YA,0)。
本发明提供了一种城市峡谷内基于GNSS信号精确分类的加权定位方法,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具体实施方式,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 (8)
1.一种城市峡谷内基于GNSS信号精确分类的加权定位方法,其特征在于,包括:
步骤1:建立历史训练数据集,从基站处和城市峡谷处采集GNSS数据,结合GNSS数据对卫星信号接收类型进行标定,所述卫星信号接收类型分为视距信号LOS、非视距信号NLOS和多路径信号Multipath,将卫星信号载噪比C/N0、卫星高度角θ和卫星信号接收类型组成历史训练数据集;
步骤2:采用机器学习算法深度森林,对所述历史训练数据集进行挖掘,生成卫星信号接收类型判断法则;
步骤3:从城市峡谷采集GNSS数据,使用深度森林预测卫星信号接收类型,结合加权最小二乘进行定位解算;
所述步骤1包括:
步骤1.1:利用菲涅尔区进行卫星信号接收类型判断;
步骤1.2:利用最大相关峰进行卫星信号接收类型判断;
步骤1.3:结合步骤1.1和步骤1.2综合决策卫星信号接收类型。
2.根据权利要求1所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法,其特征在于,所述步骤1.1中通过判断卫星信号传播的第一菲涅尔区在建筑物表面的投影与建筑物墙面重叠比例是否大于50%来确定卫星信号接收类型;当重叠比例小于50%、卫星未被建筑物遮挡,则判定卫星信号接收类型为视距信号LOS;当重叠比例大于等于50%、卫星被建筑物遮挡,则判定卫星信号接收类型为非视距信号NLOS;当重叠比例大于等于50%、卫星未被建筑物遮挡,则判定卫星信号接收类型为多路径信号Multipath。
3.根据权利要求2所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法,其特征在于,所述步骤1.2中绘制卫星信号关于多普勒频移和码延迟的3D相关函数图像,记n为0.1s内的卫星信号相关函数图像中局部最大相关峰的数量,α为判断卫星信号是否为多路径信号Multipath的阈值,当n>α时,判定该卫星信号为多路径信号Multipath,否则判定为视距信号LOS。
4.根据权利要求3所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法,其特征在于,所述步骤1.3中当步骤1.1和步骤1.2对卫星信号接收类型判定一致时,则对该卫星信号标定接收类型;当步骤1.1判定卫星信号为视距信号LOS、步骤1.2判定该卫星信号为多路径信号Multipath,则标定该卫星信号为多路径信号Multipath;当步骤1.1判定卫星信号为多路径信号Multipath、步骤1.2判定该卫星信号为视距信号LOS,则标定该卫星信号为视距信号LOS;当步骤1.1判定卫星信号为非视距信号NLOS,则标定该卫星信号为非视距信号NLOS。
5.根据权利要求2所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法,其特征在于,所述步骤1.1中计算卫星信号传播的第一菲涅尔区在建筑物表面的投影与建筑物墙面重叠比例的步骤包括:
步骤1.1.1:建立一个由建筑物表面的法线和竖直向上的单位向量/>构成的坐标系 记A点为GNSS接收机所在位置,S点为卫星所在位置,A’为A点关于建筑物表面镜像位置的点,D为A点与A’点连线与建筑物表面的交点,d为AD点之间的距离,R点为A’与S连线与建筑物表面的交点,/>为R点到卫星S点的向量,/>为R点到接收机A点的向量,/>为卫星S点到接收机A点的向量,a和b为第一菲涅尔区在建筑物表面截面的长半轴和短半轴;
步骤1.1.2:计算出第一菲涅尔区在建筑物表面投影的椭圆形的长半轴a、短半轴b及椭圆形面积S:
S=πab
其中为椭圆形长半轴向量,/>和/>分别为长半轴和短半轴的单位方向向量,a和b分别为长半轴和短半轴长度,λ为接收到GNSS信号的波长,β为R点到卫星S点的单位方向向量/>与建筑物表面的夹角,/>R点到卫星S点的单位方向向量/>
步骤1.1.3:计算第一菲涅尔区面积与建筑物表面的重叠比例,即结合3D模型,信号传播的第一菲涅尔区在建筑物表面的这一平面投射到建筑物表面上的面积与第一菲涅尔区的椭圆形面积之比。
6.根据权利要求1所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法,其特征在于,所述步骤2中记历史训练数据集为T={(x1,y1),(x2,y2),…,(xi,yi),…,(xN,yN)},其中i=1,2,3,…,N表示样本的序号,N为历史训练数据集中样本数量,xi=(C/N0i,θi)为每个样本中卫星信号载噪比和卫星高度角,yi∈{-1,0,1}为每个样本中卫星信号接收类型,-1、0和1分别表示非视距信号NLOS、多路径信号Multipath和视距信号LOS;向深度森林系统输入大小为N的样本数据,通过一个长度为L的采样窗口对其进行滑动采样;在训练阶段级联森林中的每一颗决策树计算出样本xi分类的概率为其中t表示随机森林的第t颗决策树,t∈T,T表示随机森林的决策树数量,分别表示第t颗决策树计算出样本xi分别属于-1、0和1的概率;每个随机森林得到对样本xi的类分布估计:/>其中m表示每一层级联森林中的第m个随机森林,m∈M,M表示级联森林中的随机森林数量,/>分别表示第m个随机森林对样本xi对于分类-1、0和1的类分布估计;第z层级联森林对样本xi类分布估计为:
其中z代表第z层级联森林,z∈Z,Z表示级联森林层数,在训练中随着分类准确率的不再上升而确定;然后级联森林将每一级的输出结果拼接原始特征向量作为下一级森林的输入;训练阶段得到的分类与标记过的分类对比可计算分类准确率,直到级联森林的分类准确率不再上升时,停止训练,得到复杂度是自适应的级联森林分类器, 其中argmax函数表示取概率最大的分类作为最终的分类结果final,/>分别为自适应级联森林分类器得到样本xi属于-1、0和1的概率。
7.根据权利要求1所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法,其特征在于,所述步骤3中结合加权最小二乘进行定位解算的观测方程为:WHX=WΔρ
其中W为权重矩阵,表示为对角矩阵:
J表示接收机所有接收到的卫星信号个数,wj表示第j颗卫星信号观测值的权重,/>表示第j颗卫星信号观测值的协方差,1≤j≤J,/>k表示使用深度森林预测获得的卫星信号接收类型的权重系数,C/N0j为第j颗卫星信号载噪比,θj为第j颗卫星高度角;H为卫星方向余弦矩阵: 为从接收机近似位置(XA,0,YA,0,ZA,0)指向第j颗卫星的单位向量,由卫星位置与解算的接收机位置进行迭代计算,/>其中卫星与接收机之间的距离为/>(Xj,Yj,Zj)为卫星在地心地固坐标系下的坐标,可由卫星星历解算得到,接收机近似位置初始设为(XA,0,YA,0,ZA,0)=(0,0,0);Δρ为伪距观测残差向量,为各卫星观测伪距与解算接收机位置反演出的伪距之差组成的向量;X=(ΔX,ΔY,ΔZ,cΔtA)T是包含接收机三维位置坐标的修正量(ΔX,ΔY,ΔZ)和接收机钟差ΔtA的向量,其中c为光速,通过求解加权最小二乘矩阵方程得到X=(HTWH)-1HTWΔρ,每次迭代解算得到一个新的修正值(ΔX,ΔY,ΔZ)以修正接收机近似位置(XA,0,YA,0,ZA,0),数次迭代后收敛到一个稳定结果;最终基于GNSS信号分类的加权定位的用户接收机的坐标(XA,YA,ZA)=(ΔX+XA,0,ΔY+YA,0,ΔZ+YA,0)。
8.根据权利要求7所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法,其特征在于,所述步骤3中卫星信号接收类型的权重系数设置为视距信号LOS的权重系数k=1;多路径信号Multipath的权重系数k=1.5;非视距信号NLOS的权重系数k=2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110257046.1A CN113031031B (zh) | 2021-03-09 | 2021-03-09 | 一种城市峡谷内基于gnss信号精确分类的加权定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110257046.1A CN113031031B (zh) | 2021-03-09 | 2021-03-09 | 一种城市峡谷内基于gnss信号精确分类的加权定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113031031A CN113031031A (zh) | 2021-06-25 |
CN113031031B true CN113031031B (zh) | 2024-02-02 |
Family
ID=76467349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110257046.1A Active CN113031031B (zh) | 2021-03-09 | 2021-03-09 | 一种城市峡谷内基于gnss信号精确分类的加权定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113031031B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113504553B (zh) * | 2021-06-29 | 2024-03-29 | 南京航空航天大学 | 一种城市峡谷内基于精确3d城市模型的gnss定位方法 |
CN114254568B (zh) * | 2022-02-28 | 2022-07-05 | 浙江国遥地理信息技术有限公司 | 基于人工智能决策树的gps遥感洪水预警方法 |
CN117647830B (zh) * | 2024-01-29 | 2024-05-07 | 中国测绘科学研究院 | 一种适用于复杂城市环境gnss芯片定位的随机模型构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009115130A1 (en) * | 2008-03-20 | 2009-09-24 | Telespazio S.P.A. | Position estimation enhancement for a global navigation satellite system receiver |
CA2990720A1 (en) * | 2015-07-17 | 2017-04-06 | The Regents Of The University Of California | System and method for localization and tracking using gnss location estimates, satellite snr data and 3d maps |
CN107966724A (zh) * | 2017-11-27 | 2018-04-27 | 南京航空航天大学 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
CN109101902A (zh) * | 2018-07-24 | 2018-12-28 | 东南大学 | 一种基于无监督学习的卫星nlos信号检测方法 |
CN109613571A (zh) * | 2018-10-26 | 2019-04-12 | 南京航空航天大学 | 一种基于双极化天线的城市峡谷内卫星定位方法 |
WO2020103558A1 (zh) * | 2018-11-19 | 2020-05-28 | 华为技术有限公司 | 一种定位方法及电子设备 |
-
2021
- 2021-03-09 CN CN202110257046.1A patent/CN113031031B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009115130A1 (en) * | 2008-03-20 | 2009-09-24 | Telespazio S.P.A. | Position estimation enhancement for a global navigation satellite system receiver |
CA2990720A1 (en) * | 2015-07-17 | 2017-04-06 | The Regents Of The University Of California | System and method for localization and tracking using gnss location estimates, satellite snr data and 3d maps |
CN107966724A (zh) * | 2017-11-27 | 2018-04-27 | 南京航空航天大学 | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 |
CN109101902A (zh) * | 2018-07-24 | 2018-12-28 | 东南大学 | 一种基于无监督学习的卫星nlos信号检测方法 |
CN109613571A (zh) * | 2018-10-26 | 2019-04-12 | 南京航空航天大学 | 一种基于双极化天线的城市峡谷内卫星定位方法 |
WO2020103558A1 (zh) * | 2018-11-19 | 2020-05-28 | 华为技术有限公司 | 一种定位方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
"城市峡谷中基于GPS双极化天线的定位方法";王冠宇等;《导航定位学报》;第8卷(第4期);13-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN113031031A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113031031B (zh) | 一种城市峡谷内基于gnss信号精确分类的加权定位方法 | |
Wang et al. | Smartphone shadow matching for better cross-street GNSS positioning in urban environments | |
CN107966724B (zh) | 一种基于3d城市模型辅助的城市峡谷内卫星定位方法 | |
Zhang et al. | 3D mapping database aided GNSS based collaborative positioning using factor graph optimization | |
Ng et al. | A computation effective range-based 3D mapping aided GNSS with NLOS correction method | |
US10656282B2 (en) | System and method for localization and tracking using GNSS location estimates, satellite SNR data and 3D maps | |
CN114174850A (zh) | 用于高完整性卫星定位的系统和方法 | |
Sun et al. | GPS signal reception classification using adaptive neuro-fuzzy inference system | |
Hammes et al. | Robust mobile terminal tracking in NLOS environments based on data association | |
Bai et al. | Using Sky‐pointing fish‐eye camera and LiDAR to aid GNSS single‐point positioning in urban canyons | |
CN112666588B (zh) | 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 | |
KR20130091688A (ko) | 네비게이션 시스템에서 수신 장치의 물리적 특성을 판단하는 방법 및 장치 | |
Ng et al. | Robust GNSS shadow matching for smartphones in urban canyons | |
Groves et al. | Shadow matching: Improved GNSS accuracy in urban canyons | |
CN113376675B (zh) | 一种基于GNSS/视觉/Lidar融合的城市峡谷定位方法 | |
Zair et al. | A-contrario modeling for robust localization using raw GNSS data | |
CN114562992A (zh) | 一种基于因子图及场景约束的多径环境组合导航方法 | |
Zhang et al. | GNSS shadow matching based on intelligent LOS/NLOS classifier | |
Anderson et al. | Track association for over-the-horizon radar with a statistical ionospheric model | |
Kim et al. | GPS multipath detection based on carrier-to-noise-density ratio measurements from a dual-polarized antenna | |
WO2023236643A1 (zh) | 定位方法、装置、设备及存储介质 | |
Lines et al. | 3D map creation using crowdsourced GNSS data | |
CN109613571B (zh) | 一种基于双极化天线的城市峡谷内卫星定位方法 | |
Ye et al. | Robust real‐time kinematic positioning method based on NLOS detection and multipath elimination in GNSS challenged environments | |
Zhong | Asymmetric Positioning for NLOS Mitigation |
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 |