CN114562992A - 一种基于因子图及场景约束的多径环境组合导航方法 - Google Patents
一种基于因子图及场景约束的多径环境组合导航方法 Download PDFInfo
- Publication number
- CN114562992A CN114562992A CN202210121577.2A CN202210121577A CN114562992A CN 114562992 A CN114562992 A CN 114562992A CN 202210121577 A CN202210121577 A CN 202210121577A CN 114562992 A CN114562992 A CN 114562992A
- Authority
- CN
- China
- Prior art keywords
- satellite
- road
- epoch
- matrix
- receiver
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000005433 ionosphere Substances 0.000 claims description 3
- 230000007786 learning performance Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 235000006481 Colocasia esculenta Nutrition 0.000 description 1
- 240000004270 Colocasia esculenta var. antiquorum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1656—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with passive imaging devices, e.g. cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
-
- 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
- G01S19/485—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 optical system or imaging system
-
- 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
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于因子图及场景约束的多径环境组合导航方法,包括:构建地图影像样本训练集;进行卷积神经网络训练,构建道路图像提取模型;根据初始位置获取本地城市道路区域图;获取全球导航卫星系统伪距与多普勒观测值;排除卫星信号信噪比低于阈值的卫星;对原始伪距观测值数据进行误差修正处理;对冗余卫星观测值采用欧式距离矩阵法进行卫星故障的快速检测;根据当前位置基准点提取当前区域道路形状范围;计算伪距因子和多普勒因子,并构造接收机位置坐标与道路区域之间的差值参数;根据场景约束进行因子图优化定位;最终输出定位结果。该方法旨在提高城市多径环境定位精度,同时提高算法的时效性以及鲁棒性。
Description
技术领域
本发明涉及一种多径环境组合导航方法,特别是一种基于因子图及场景约束的多径环境组合导航方法。
背景技术
全球导航卫星系统(Global Navigation Satellite System,GNSS)由于具有全球覆盖、定位精度较高、自动化程度高、实时服务能力强等优点,现已广泛应用于交通、军事、农业等领域。在近年来迅速发展的无人机和自动驾驶汽车领域,GNSS以及其组合导航系统也已成为了用于提供载具位置的重要手段。考虑到成本、可靠性以及应用的推广,目前大部分车载GNSS接收机采用伪距观测进行定位。然而,城市高大建筑物和复杂楼宇环境会造成GNSS产生多径干扰及非视距接收,两者都会导致GNSS以及其组合导航定位精度下降。其中非视距接收更是会导致伪距定位产生近百米的误差。
GNSS多源信息融合可以提高载体的导航性能,例如将GNSS和惯性导航系统、激光雷达、相机以及3D地图等信息源进行组合。在传统的GNSS多传感器数据融合中,通常采用最小二乘法和卡尔曼滤波法。近年来,基于因子图的多源数据融合方法也逐步成为研究热点。因子图通过使用多次迭代来解决所有的输入状态,实现观测量过去时间节点与当前时间节点之间的时间相关性挖掘,提高滤波的鲁棒性。
Sunderhauf等提出了一种仅使用GPS伪距观测值的基于因子图优化的稳健优化方法(参考:N.Sünderhauf,M.Obst,G.Wanielik,and P.Protzel,"Multipath mitigation inGNSS-based localization using robust optimization,"in 2012IEEE IntelligentVehicles Symposium,2012,pp.784-789:IEEE.),通过实验证明该方法的定位精度较传统最小二乘定位方法有提高。W.Li等提出了基于因子图优化方法的GNSS/INS组合导航定位方法(参考:W.Li,X.Cui,and M.Lu,"A robust graph optimization realization oftightly coupled GNSS/INS integrated navigation system for urban vehicles,"Tsinghua Science and Technology,vol.23,no.6,pp.724-732,2018.),验证了因子图优化方法在多传感器融合定位方面具有更优的性能。Suzuki提出了一种基于因子图优化的多径环境载具定位方法(参考:Suzuki,Taro,"Robust Vehicle Positioning in MultipathEnvironments Based on Graph optimization,"Proceedings of the 34thInternational Technical Meeting of the Satellite Division of The Institute ofNavigation(ION GNSS+2021),St.Louis,Missouri,September 2021,pp.4223-4233.),通过将GNSS伪距观测值以及多普勒观测值作为因子图的输入节点并通过运动约束对节点进行控制和优化,同时使用载波相位观测值对远距节点间进行精确约束,输出最终的最优定位结果。基于因子图优化的融合定位方法在提升组合导航定位精度方面具有很好的优势,但在城市复杂环境下仍存在主要以下2个问题:
a)现有基于因子图的GNSS组合导航方法只对GNSS的时序观测量上进行了一定的约束,在高架桥、隧道等遮蔽环境下由于卫星信号中断或长时间失锁环境下,依然无法提供准确可靠的定位;
b)现有的基于因子图的GNSS组合导航定位算法在使用前需要进行较为复杂的初始化处理、同时在使用过程中需要对算法进行实时匹配,显著地降低了定位解算的实时性,无法实现城市环境中的快速精确定位。
和本发明最为接近的技术是日本千叶大学学者Taro Suzuki提出的基于因子图优化的多径环境载具定位方法,该方法将GNSS伪距观测值以及多普勒观测值作为因子图的输入节点,通过运动约束对节点控制和优化,同时使用载波相位观测值对远距节点间进行约束,最终输出最优定位解。但这种通过运动模型和载波相位观测值构建约束的方法存在过于粗略的问题:一是由于直接输入未进行质量控制的GNSS观测值,定位精度可能会因受到故障观测值的影响而降低;二是此方法使用定位精度更高的载波相位观测值对远距节点状态之间进行粗略约束,例如在载具驶入以及驶出高架两个状态节点位置进行约束,但这种约束在载具处于高架桥路段行驶的整个过程中无法进行,因此该方法本质上无法完全满足城市复杂观测环境中的精确定位问题。
其他能够实现本发明目的更加通用的替代方案是使用最小二乘法进行GNSS定位。但是这种基于最小二乘的定位算法在城市环境中存在较大的限制:一是由于接收机所接收到的卫星信号会受到严重的多路径效应的影响,使用这类观测值进行最小二乘解算所得出的定位结果必然会产生相当大的误差;二是最小二乘定位方法在多传感器融合时的性能不及图优化方法。
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,提供一种基于因子图及场景约束的多径环境组合导航方法。
为了解决上述技术问题,本发明公开了一种基于因子图及场景约束的多径环境组合导航方法,包括以下步骤:
离线处理部分:
步骤1,构建地图影像样本训练集:选取地图影像进行等大切分,初始选取b张训练样本图像,构建地图影像样本训练集Q;
步骤2,利用步骤1中所述地图影像样本训练集进行卷积神经网络训练,构建道路图像提取模型;
步骤3,根据初始位置获取本地城市道路区域图;
在线计算部分:
步骤4,载具获取全球导航卫星系统伪距与多普勒观测值;
步骤5,排除卫星信号信噪比低于阈值的卫星:根据历史数据经验设定卫星信号信噪比的阈值为SNRthre,对步骤4中获得的每一颗卫星的信噪比进行条件判断,当其信噪比大于阈值时,保留卫星的相关观测数据,否则删除卫星的相关观测数据;
步骤6,判断剩余卫星是否满足定位条件,若不满足则采用历史数据估计方法推算当前位置,若满足则对原始伪距观测值数据进行误差修正处理;
步骤7,判断剩余卫星是否有冗余,若存在冗余卫星,则对冗余卫星观测值采用欧式距离矩阵法进行卫星故障的快速检测,否则保留当前卫星观测值;
步骤8,根据当前位置基准点提取当前区域道路形状范围:将上一历元的定位结果作为本历元道路形状提取的中心点,根据步骤3中获得的城市道路区域图在x轴方向和y轴方向分别截取一定范围,得到当前区域的道路区域图;
步骤9,计算伪距因子和多普勒因子,并构造接收机位置坐标与道路区域之间的差值参数;
步骤10,根据场景约束进行因子图优化定位;
步骤11,输出定位结果。
本发明步骤2包括:
步骤2-1,划分测试集:
使用自主采样法划分训练集中的部分数据作为测试集,用于在卷积神经网络训练时实时验证网络的学习性能;
所述测试集构建方法如下:
每次从样本集Q中随机挑选一个样本拷贝至数据集K中,然后放回至原本的样本集Q以供下次采样;
重复上述过程b次后得到包含b个样本的数据集K,其中包含重复的样本,而Q中的一部分样本未被采集到;
得到的未被采集样本比率为:
其中,e为自然常数;选取样本集Q和数据集K中的差异部分作为训练时的实时测试集;
步骤2-2,网络训练:
将地图中的路网矢量数据与样本图像进行匹配,作为卷积神经网络网络训练的输入二值图像,进行前向传播和反向传播调整卷积核权重值,最终生成道路提取结果,训练结束。
本发明步骤3包括:
步骤3-1,网络输出:
对于给定的初始化位置,选定该位置所处的城市地图进行等大划分,得到h张本地地图图像,构建本地样本集L;输入本地样本进行卷积神经网络输出,得到h张初始道路提取图像;
步骤3-2,图像处理:
初始提取的道路图像存在道路边缘波折与非道路图斑,根据形态学运算滤除非道路区域图斑,使用面积指数对图像进行面积筛选,根据经验得到面积指数阈值为Athre,若面积指数A<Athre,则去除该图斑;
利用道路狭长指数对噪声进行进一步的去除,道路狭长指数为:
其中,Lp为道路图块外接矩形的对角线长度,Wp为宽度,Sp为道路面积;设定狭长指数阈值为Rthre=2,狭长指数低于阈值时判定图像块为非道路区域,去除此部分噪声区域;
根据道格拉斯-普克算法对道路边缘进行直线逼近,得到直线化处理后的道路图块,该算法实现过程如下:
对曲线的首末点连一条直线,求出曲线上所有的点与直线的垂直距离di,其中i=1,2,…,μ,μ为曲线上点的个数,并找出最大值将dmax与给定的阈值dthre相比,若dmax<dthre,则将这条曲线上的中间点全部舍去,以初始划定的直线作为曲线的近似;若dmax≥dthre,则保留dmax对应的点,并以该点为界将曲线分为两部分,对每一段曲线都重复使用上述逼近方法进行曲线逼近,直到所有的dmax均小于dthre,完成对波折道路边缘的直线化处理;
步骤3-3,图像合成:
将生成的道路提取图像按原始切割方法拼接,得到完整的基于深度学习构建的城市道路区域图,并根据原始地图影像的经纬度坐标对生成的城市道路区域图进行坐标匹配,给道路区域图进行矢量赋值;将经纬度坐标转换为地心地固坐标系下的坐标,设经纬度坐标向量为:
PLLH=[lat lon alt]T
其中,lat为纬度,lon表示经度,alt为高度;在地心地固坐标系中的坐标向量为:
PECEF=[x y z]T
其中,x、y、z分别为地心地固坐标系中的x轴、y轴、z轴坐标;坐标转换公式为:
步骤3-4,样本训练集更新:
将本地样本集L加入原始地图影像样本训练集Q,更新得到新的训练集Q,其中包含b+h张样本图像,用于卷积神经网络的下一次定期优化更新;得到基于深度学习构建的城市道路区域图;
设定定期更新模式,设置更新周期为7天,每7天利用更新后的训练集重新进行卷积神经网络训练,更新周期内使用无需进行网络训练,直接根据输入的初始位置得出网络输出的图像结果。
本发明步骤4包括:
在城市多径环境下,载具获得当前历元k的伪距观测数据以及多普勒观测数据,其中包括:可见星数量可见星在地心地固坐标系中的坐标卫星信号信噪比每一颗可见星所对应的原始伪距观测值以及原始多普勒观测值其中,自然数
本发明步骤6包括:
步骤6-1,根据步骤5所述,根据信噪比低于阈值排除观测质量不佳的卫星后,剩余卫星的数量为所属星座数为对剩余卫星数量进行判断,若则不满足全球导航卫星系统的定位条件,采用历史数据估计方法推算当前位置;通过历史历元数据推算当前历元位置变化量;读取k-1历元和k-2历元的位置信息,k-1历元的位置为Xk-1,k-2历元的位置为Xk-2,历元间位置变化量ΔX=Xk-1-Xk-2,推算得出当前历元的位置Xk=2Xk-1-Xk-2,当前历元定位结束,直接输出定位结果;
本发明步骤7包括:
步骤7-2,若则存在冗余卫星观测值,采用欧式距离矩阵法进行卫星故障的快速检测;利用已知的卫星位置与载具获得的伪距观测值构建欧氏距离矩阵其中矩阵的第一行和第一列由测量伪距构成,对角线元素为0,其他元素由已知的卫星位置填充;
欧式距离矩阵的构成如下:
三颗卫星与接收机的相对位置关系如下:对角线上的矩阵元素a11、a22、a33、a44均为0,第一行的矩阵元素a1p与第一列的矩阵元素aq1为卫星与接收机间的测量伪距平方和其余位置apq为两颗卫星之间的距离根据欧氏距离矩阵求得对应的Gram矩阵
对Gram矩阵进行奇异值分解得:
若检验统计量超过检测门限,则表明存在故障卫星,需要进行故障卫星的检测和排除;三维空间中状态空间n=3,令U矩阵的第n+1列为u4,V矩阵的第n+1列为v4,按绝对值大小对u4和v4中的元素进行排序,最大的绝对值对应故障卫星;排除故障卫星后重新计算检验统计量并判断是否超过检测门限,若超过检测门限,重新进行排序和故障卫星排除,直到低于检测门限,则认为不存在故障卫星;
本发明步骤8包括:
将上一历元的定位结果Xk-1=[xk-1,yk-1,zk-1]T作为本历元道路形状提取的中心点,根据步骤3中获得的城市道路区域图以Xk-1为中心,在x轴方向和y轴方向分别截取±10m的范围,得到当前区域的道路区域图;
使用滑动图窗裁取本历元所需参考的道路区域图,设置图窗范围为:M={x,y|xk-1-10m<x<xk-1+10m,yk-1-10m<y<yk-1+10m}其中道路区域I∈M。
本发明步骤9包括:
步骤9-1,计算伪距因子:
其中,Xk=[xk,yk,zk]T为k历元接收机的位置;根据上述方程得到卫星j在k历元的伪距误差函数,定义为伪距因子:
步骤9-2,计算多普勒因子:
多普勒测量方程表示为:
根据上述方程得到k历元的速度误差函数,定义为多普勒因子:
步骤9-3,计算道路形状因子:
步骤8中得到的道路区域矢量集为I,接收机位置坐标与道路区域之间的差值参数为:
本发明步骤10包括:
接收机状态量表示为:
χ*=[χ1,χ2,…,χk]
χt=(Xt,Vt,δt)T,1≤t≤k
χ*表示从最初历元到当前历元k的接收机状态量集合,χt表示在t历元的接收机状态量,其中包括位置Xt、速度Vt以及接收机钟差δt;
本发明步骤11包括:
输出定位结果:根据卫星数不同,由步骤6或步骤10中得出的最终的定位结果Xk=[xk,yk,zk]T,作为当前历元的定位结果,将该定位结果保存后用于历元k+1的定位解算,并输出当前历元的定位结果。
有益效果:
本发明提出的一种基于因子图及场景约束的多径环境组合导航方法,解决了如下2种技术缺陷:
1)针对目前已有的基于因子图的GNSS组合导航算法基于GNSS时间序列观测量的节点约束并不能很好的解决高架桥、隧道等遮蔽环境下由于卫星信号中断或长时间失锁环境下的载具准确可靠的定位的问题,本发明在此基础上加入了基于场景约束,通过根据正常情况下车辆行驶区域应当处于道路范围内的物理特性,采用多普勒观测值所构建的运动约束以及道路坐标区域所构建的道路形状约束共同构成状态节点之间的约束,对节点进行控制,得出最优定位解,实现城市建筑物遮挡环境下的连续可靠定位。
2)针对目前已有的基于因子图优化的GNSS多传感器融合算法中定位效率不足,本发明结合离线处理和在线匹配相结合的模式,通过使用深度学习对地图信息进行预处理提取平面的坐标区而非需全程在线进行加载、处理及匹配的地图图像模型,实现离线使用和快速匹配,避免了复杂的初始化,提高了定位效率,实现城市复杂环境下的快速定位。
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为本发明总体流程图。
图2为欧氏距离矩阵示意图。
图3为本发明的因子图图形结构示意图。
具体实施方式
本发明的核心内容为一种基于因子图及场景约束的多径环境组合导航方法,如图1所示:
一、离线处理部分:
步骤1:构建地图影像样本训练集:选取地图影像进行等大切分,初始选取b张训练样本图像,构建地图影像样本训练集Q。
步骤2:利用步骤1构建的训练集进行卷积神经网络训练,构建道路图像提取模型,其步骤包括:
(1)划分测试集。使用自主采样法划分训练集中的部分数据作为测试集,用于在卷积神经网络训练时实时验证网络的学习性能。测试集构建方法为:每次从样本集Q中随机挑选一个样本拷贝至数据集K中,然后放回至原本的样本集Q以供下次采样。重复上述过程b次后得到包含b个样本的数据集K,其中包含重复的样本,而Q中的一部分样本未被采集到。这种方法得到的未被采集样本比率为:
其中,e为自然常数。因此差异样本占比约36.8%,选取Q集和K集中的差异部分作为训练时的实时测试集。
(2)网络训练。将地图中的路网矢量数据与样本图像进行匹配,作为卷积神经网络网络训练的输入二值图像,进行前向传播和反向传播调整卷积核权重值,最终生成符合预期的道路提取结果,训练结束。
步骤3:根据初始位置获取本地城市道路区域图,其步骤包括:
(1)网络输出。对于给定的初始化位置(手动标定或上一次使用本定位方法所储存的最后位置),选定该位置所处的城市地图进行等大划分,得到h张本地地图图像,构建本地样本集L。输入本地样本进行卷积神经网络输出,得到h张初始道路提取图像。
(2)图像处理。初始提取的道路图像除预期得到的道路图块外,还存在道路边缘波折与非道路图斑,根据形态学运算滤除非道路区域图斑,首先使用面积指数对图像进行面积筛选,根据经验得到的面积指数阈值为Athre若面积指数A<Athre,则去除该图斑。
利用道路狭长指数对噪声进行进一步的去除,道路狭长指数为:
其中,Lp为道路图块外接矩形的对角线长度,Wp为宽度,Sp为道路面积。设定狭长指数阈值为Rthre=2,狭长指数低于阈值时判定图像块为非道路区域,此部分噪声区域应被去除。
根据道格拉斯-普克算法进行对道路边缘进行直线逼近,得到更加接近于实际物理形状的道路图块。算法实现过程为:对曲线的首末点连一条直线,求出曲线上所有的点与直线的垂直距离di(i=1,2,…,μ,μ为曲线上点的个数),找出最大值将dmax与给定的阈值dthre相比。若dmax<dthre,则将这条曲线上的中间点全部舍去,以初始划定的直线作为曲线的近似;若dmax≥dthre,则保留dmax对应的点,并以该点为界将曲线分为两部分,对每一段曲线都重复使用上述逼近方法进行曲线逼近,直到所有的dmax均小于dthre,完成对波折道路边缘的直线化处理。
(3)图像合成。将生成的道路提取图像按原始切割方法拼接,得到完整的基于深度学习构建的城市道路区域图,并根据原始地图影像的经纬度坐标对生成的城市道路区域图进行坐标匹配,给道路区域图进行矢量赋值。将经纬度坐标转换为地心地固坐标系下的坐标,设经纬度坐标向量为PLLH=[lat lon alt]T,其中,lat为纬度,lon表示经度,alt为高度;在地心地固坐标系中的坐标向量为PECEF=[x y z]T,其中,x、y、z分别为地心地固坐标系中的x轴、y轴、z轴坐标,则坐标转换公式为:
(4)样本训练集更新。将本地样本集L加入原始地图影像样本训练集Q,更新得到新的训练集Q,其中包含b+h张样本图像,用于卷积神经网络的下一次定期优化更新。
至此,离线的地图信息预处理模块加载完成,得到基于深度学习构建的城市道路区域图,在本次使用期间无需重复进行卷积神经网络训练。设定定期更新模式,设置更新周期为7天,每7天利用更新后的训练集重新进行卷积神经网络训练,而在更新周期内的每次使用无需进行网络训练,直接根据输入的初始位置得出网络输出的图像结果。
二、在线计算部分
步骤4:GNSS伪距与多普勒观测值的获取。在城市环境下,载具使用车载GNSS接收机进行GNSS观测,获得当前历元(历元k)的伪距观测数据以及多普勒观测数据。其中包括:可见星数量可见星在地心地固坐标系中的坐标卫星信号信噪比每一颗可见星所对应的原始伪距观测值以及原始多普勒观测值其中,
步骤5:排除卫星信号信噪比低于阈值的卫星。信噪比是接收机的载波信号强度与噪声强度的比值,单位为dB-Hz,能够反映出卫星信号质量,当信噪比低于一定值时,认为噪声对卫星信号的影响不可忽视。根据历史数据经验确定的卫星信号信噪比的阈值为SNRthre,对上一步所获得的每一颗卫星的信噪比进行条件判断,当时,认为卫星的信号质量良好,保留卫星的相关观测数据,否则认为卫星的信号质量较差,删除卫星的相关观测数据。
步骤6:判断剩余卫星是否满足定位条件,并实现不同决策方案。
(1)根据信噪比低于阈值排除观测质量不佳的卫星后,剩余卫星的数量为所属星座数为对剩余卫星数量进行判断,若认为不满足GNSS定位条件,采用历史数据估计方法推算当前位置。由于通常接收机采样频率设置较高,相邻历元的状态变化率可近似一致,因此可以通过历史历元数据大致推算当前历元位置变化量。读取k-1历元和k-2历元的位置信息,k-1历元的位置为Xk-1,k-2历元的位置为Xk-2,因此历元间位置变化量ΔX=Xk-1-Xk-2,推算得出当前历元的位置Xk=2Xk-1-Xk-2,当前历元定位结束,直接输出定位结果。
步骤7:判断剩余卫星是否有冗余,并用不同策略进行质量控制。
(2)若认为存在冗余卫星观测值,采用欧式距离矩阵法进行卫星故障的快速检测。利用已知的卫星位置与接收机获得的伪距观测值构建欧氏距离矩阵其中矩阵的第一行和第一列由测量伪距构成,对角线元素为0,其他元素由已知的卫星位置填充。欧式距离矩阵的构成如图2所示:
以三颗卫星与接收机的相对位置关系为例:对角线上的矩阵元素a11、a22、a33、a44均为0,第一行的矩阵元素a1p与第一列的矩阵元素aq1为卫星与接收机间的测量伪距平方和其余位置apq为两颗卫星之间的距离根据欧氏距离矩阵求得对应的Gram矩阵
对Gram矩阵进行奇异值分解得:
若检验统计量超过检测门限,则表明存在故障卫星,需要进行故障卫星的检测和排除。三维空间中状态空间n=3,令U矩阵的第n+1列为u4,V矩阵的第n+1列为v4,按绝对值大小对u4和v4中的元素进行排序,最大的绝对值对应故障卫星。排除故障卫星后重新计算检验统计量并判断是否超过检测门限,若超过检测门限,重新进行排序和故障卫星排除,直到低于检测门限,则认为不存在故障卫星。
步骤8:根据当前位置基准点提取当前区域道路形状范围:将上一历元的定位结果Xk-1=[xk-1,yk-1,zk-1]T作为本历元道路形状提取的中心点,根据第三步所获得的城市道路区域图以Xk-1为中心,在x轴方向和y轴方向分别截取±10m的范围,得到当前区域的道路区域图。
使用滑动图窗裁取本历元所需参考的道路区域图,图窗范围为:M={x,y|xk-1-10m<x<xk-1+10m,yk-1-10m<y<yk-1+10m}其中道路区域I∈M。
步骤9:计算伪距因子和多普勒因子,并构造接收机位置坐标与道路区域之间的差值参数,其步骤包括:
(2)计算多普勒因子。多普勒测量方程为:
因此根据上述方程得到k历元的速度误差函数,定义为多普勒因子:
(3)计算道路形状因子。第八步中得到的道路区域矢量集为T,接收机位置坐标与道路区域之间的差值参数为:
步骤10:根据场景约束进行因子图优化定位:接收机状态量表示为:
χ*=[χ1,χ2,…,χk]
χt=(Xt,Vt,δt)T,1≤t≤k
χ*表示从最初历元到当前历元k的接收机状态量集合,χt表示在t历元的接收机状态量,其中包括位置Xt、速度Vt以及接收机钟差δt。所述因子图优化定位方法的因子图图形结构如图3所示。
步骤11:输出定位结果:根据卫星数不同,由步骤6或步骤10得出的最终的定位结果为Xk=[xk,yk,zk]T,将定位结果储存在储存器中用于历元k+1的定位解算,并输出当前历元的定位结果。
本发明提供了一种基于因子图及场景约束的多径环境组合导航方法的思路及方法,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 (10)
1.一种基于因子图及场景约束的多径环境组合导航方法,其特征在于,包括以下步骤:
离线处理部分:
步骤1,构建地图影像样本训练集:选取地图影像进行等大切分,初始选取b张训练样本图像,构建地图影像样本训练集Q;
步骤2,利用步骤1中所述地图影像样本训练集进行卷积神经网络训练,构建道路图像提取模型;
步骤3,根据初始位置获取本地城市道路区域图;
在线计算部分:
步骤4,载具获取全球导航卫星系统伪距与多普勒观测值;
步骤5,排除卫星信号信噪比低于阈值的卫星:根据历史数据经验设定卫星信号信噪比的阈值为SNRthre,对步骤4中获得的每一颗卫星的信噪比进行条件判断,当其信噪比大于阈值时,保留卫星的相关观测数据,否则删除卫星的相关观测数据;
步骤6,判断剩余卫星是否满足定位条件,若不满足则采用历史数据估计方法推算当前位置,若满足则对原始伪距观测值数据进行误差修正处理;
步骤7,判断剩余卫星是否有冗余,若存在冗余卫星,则对冗余卫星观测值采用欧式距离矩阵法进行卫星故障的快速检测,否则保留当前卫星观测值;
步骤8,根据当前位置基准点提取当前区域道路形状范围:将上一历元的定位结果作为本历元道路形状提取的中心点,根据步骤3中获得的城市道路区域图在x轴方向和y轴方向分别截取一定范围,得到当前区域的道路区域图;
步骤9,计算伪距因子和多普勒因子,并构造接收机位置坐标与道路区域之间的差值参数;
步骤10,根据场景约束进行因子图优化定位;
步骤11,输出定位结果。
2.根据权利要求1所述的一种基于因子图及场景约束的多径环境组合导航方法,其特征在于,步骤2包括:
步骤2-1,划分测试集:
使用自主采样法划分训练集中的部分数据作为测试集,用于在卷积神经网络训练时实时验证网络的学习性能;
所述测试集构建方法如下:
每次从样本集Q中随机挑选一个样本拷贝至数据集K中,然后放回至原本的样本集Q以供下次采样;
重复上述过程b次后得到包含b个样本的数据集K,其中包含重复的样本,而Q中的一部分样本未被采集到;
得到的未被采集样本比率为:
其中,e为自然常数;选取样本集Q和数据集K中的差异部分作为训练时的实时测试集;
步骤2-2,网络训练:
将地图中的路网矢量数据与样本图像进行匹配,作为卷积神经网络网络训练的输入二值图像,进行前向传播和反向传播调整卷积核权重值,最终生成道路提取结果,训练结束。
3.根据权利要求2所述的一种基于因子图及场景约束的多径环境组合导航方法,其特征在于,步骤3包括:
步骤3-1,网络输出:
对于给定的初始化位置,选定该位置所处的城市地图进行等大划分,得到h张本地地图图像,构建本地样本集L;输入本地样本进行卷积神经网络输出,得到h张初始道路提取图像;
步骤3-2,图像处理:
初始提取的道路图像存在道路边缘波折与非道路图斑,根据形态学运算滤除非道路区域图斑,使用面积指数对图像进行面积筛选,根据经验得到面积指数阈值为Athre,若面积指数A<Athre,则去除该图斑;
利用道路狭长指数对噪声进行进一步的去除,道路狭长指数为:
其中,Lp为道路图块外接矩形的对角线长度,Wp为宽度,Sp为道路面积;设定狭长指数阈值为Rthre=2,狭长指数低于阈值时判定图像块为非道路区域,去除此部分噪声区域;
根据道格拉斯-普克算法对道路边缘进行直线逼近,得到直线化处理后的道路图块,该算法实现过程如下:
对曲线的首末点连一条直线,求出曲线上所有的点与直线的垂直距离di,其中i=1,2,…,μ,μ为曲线上点的个数,并找出最大值将dmax与给定的阈值dthre相比,若dmax<dthre,则将这条曲线上的中间点全部舍去,以初始划定的直线作为曲线的近似;若dmax≥dthre,则保留dmax对应的点,并以该点为界将曲线分为两部分,对每一段曲线都重复使用上述逼近方法进行曲线逼近,直到所有的dmax均小于dthre,完成对波折道路边缘的直线化处理;
步骤3-3,图像合成:
将生成的道路提取图像按原始切割方法拼接,得到完整的基于深度学习构建的城市道路区域图,并根据原始地图影像的经纬度坐标对生成的城市道路区域图进行坐标匹配,给道路区域图进行矢量赋值;将经纬度坐标转换为地心地固坐标系下的坐标,设经纬度坐标向量为:
PLLH=[lat lon alt]T
其中,lat为纬度,lon表示经度,alt为高度;在地心地固坐标系中的坐标向量为:
PECEF=[x y z]T
其中,x、y、z分别为地心地固坐标系中的x轴、y轴、z轴坐标;坐标转换公式为:
步骤3-4,样本训练集更新:
将本地样本集L加入原始地图影像样本训练集Q,更新得到新的训练集Q,其中包含b+h张样本图像,用于卷积神经网络的下一次定期优化更新;得到基于深度学习构建的城市道路区域图;
设定定期更新模式,设置更新周期为7天,每7天利用更新后的训练集重新进行卷积神经网络训练,更新周期内使用无需进行网络训练,直接根据输入的初始位置得出网络输出的图像结果。
5.根据权利要求4所述的一种基于因子图及场景约束的多径环境组合导航方法,其特征在于,步骤6包括:
步骤6-1,根据步骤5所述,根据信噪比低于阈值排除观测质量不佳的卫星后,剩余卫星的数量为所属星座数为对剩余卫星数量进行判断,若则不满足全球导航卫星系统的定位条件,采用历史数据估计方法推算当前位置;通过历史历元数据推算当前历元位置变化量;读取k-1历元和k-2历元的位置信息,k-1历元的位置为Xk-1,k-2历元的位置为Xk-2,历元间位置变化量ΔX=Xk-1-Xk-2,推算得出当前历元的位置Xk=2Xk-1-Xk-2,当前历元定位结束,直接输出定位结果;
6.根据权利要求5所述的一种基于因子图及场景约束的多径环境组合导航方法,其特征在于,步骤7包括:
步骤7-2,若则存在冗余卫星观测值,采用欧式距离矩阵法进行卫星故障的快速检测;利用已知的卫星位置与载具获得的伪距观测值构建欧氏距离矩阵 其中矩阵的第一行和第一列由测量伪距构成,对角线元素为0,其他元素由已知的卫星位置填充;
欧式距离矩阵的构成如下:
三颗卫星与接收机的相对位置关系如下:对角线上的矩阵元素a11、a22、a33、a44均为0,第一行的矩阵元素a1p与第一列的矩阵元素aq1为卫星与接收机间的测量伪距平方和其余位置apq为两颗卫星之间的距离根据欧氏距离矩阵求得对应的Gram矩阵
对Gram矩阵进行奇异值分解得:
若检验统计量超过检测门限,则表明存在故障卫星,需要进行故障卫星的检测和排除;三维空间中状态空间n=3,令U矩阵的第n+1列为u4,V矩阵的第n+1列为v4,按绝对值大小对u4和v4中的元素进行排序,最大的绝对值对应故障卫星;排除故障卫星后重新计算检验统计量并判断是否超过检测门限,若超过检测门限,重新进行排序和故障卫星排除,直到低于检测门限,则认为不存在故障卫星;
7.根据权利要求6所述的一种基于因子图及场景约束的多径环境组合导航方法,其特征在于,步骤8包括:
将上一历元的定位结果Xk-1=[xk-1,yk-1,zk-1]T作为本历元道路形状提取的中心点,根据步骤3中获得的城市道路区域图以Xk-1为中心,在x轴方向和y轴方向分别截取±10m的范围,得到当前区域的道路区域图;
使用滑动图窗裁取本历元所需参考的道路区域图,设置图窗范围为:M={x,y|xk-1-10m<x<xk-1+10m,yk-1-10m<y<yk-1+10m}其中道路区域I∈M。
8.根据权利要求7所述的一种基于因子图及场景约束的多径环境组合导航方法,其特征在于,步骤9包括:
步骤9-1,计算伪距因子:
其中,Xk=[xk,yk,zk]T为k历元接收机的位置;根据上述方程得到卫星j在k历元的伪距误差函数,定义为伪距因子:
步骤9-2,计算多普勒因子:
多普勒测量方程表示为:
根据上述方程得到k历元的速度误差函数,定义为多普勒因子:
步骤9-3,计算道路形状因子:
10.根据权利要求9所述的一种基于因子图及场景约束的多径环境组合导航方法,其特征在于,步骤11包括:
输出定位结果:根据卫星数不同,由步骤6或步骤10中得出的最终的定位结果Xk=[xk,yk,zk]T,作为当前历元的定位结果,将该定位结果保存后用于历元k+1的定位解算,并输出当前历元的定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210121577.2A CN114562992B (zh) | 2022-02-09 | 一种基于因子图及场景约束的多径环境组合导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210121577.2A CN114562992B (zh) | 2022-02-09 | 一种基于因子图及场景约束的多径环境组合导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114562992A true CN114562992A (zh) | 2022-05-31 |
CN114562992B CN114562992B (zh) | 2024-07-09 |
Family
ID=
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616641A (zh) * | 2022-12-16 | 2023-01-17 | 南京航空航天大学 | 一种基于粒子滤波的城市峡谷中组合导航高精度定位方法 |
CN115616643A (zh) * | 2022-12-16 | 2023-01-17 | 南京航空航天大学 | 一种城市区域建模辅助的定位方法 |
CN117516562A (zh) * | 2024-01-08 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 一种路网处理方法和相关装置 |
CN117724124A (zh) * | 2024-02-07 | 2024-03-19 | 腾讯科技(深圳)有限公司 | 定位信号的处理方法、装置、计算机可读介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180031387A1 (en) * | 2016-07-29 | 2018-02-01 | Carnegie Mellon University | State estimation for aerial vehicles using multi-sensor fusion |
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 |
CN110275193A (zh) * | 2019-08-14 | 2019-09-24 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于因子图的集群卫星协同导航方法 |
CN111221018A (zh) * | 2020-03-12 | 2020-06-02 | 南京航空航天大学 | 一种用于抑制海上多路径的gnss多源信息融合导航方法 |
US20200300637A1 (en) * | 2016-03-28 | 2020-09-24 | Sri International | Collaborative navigation and mapping |
CN111780755A (zh) * | 2020-06-30 | 2020-10-16 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
CN112230247A (zh) * | 2020-09-25 | 2021-01-15 | 南京航空航天大学 | 一种用于城市复杂环境下gnss完好性监测方法 |
CN112697138A (zh) * | 2020-12-07 | 2021-04-23 | 北方工业大学 | 一种基于因子图优化的仿生偏振同步定位与构图的方法 |
CN113295162A (zh) * | 2021-04-28 | 2021-08-24 | 南京航空航天大学 | 基于无人机状态信息的广义因子图融合导航方法 |
US20210373855A1 (en) * | 2020-12-24 | 2021-12-02 | Harbin Engineering University | Rotation Matrix-Based Factor Graph Cooperative Localization Algorithm |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200300637A1 (en) * | 2016-03-28 | 2020-09-24 | Sri International | Collaborative navigation and mapping |
US20180031387A1 (en) * | 2016-07-29 | 2018-02-01 | Carnegie Mellon University | State estimation for aerial vehicles using multi-sensor fusion |
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 |
CN110275193A (zh) * | 2019-08-14 | 2019-09-24 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于因子图的集群卫星协同导航方法 |
CN111221018A (zh) * | 2020-03-12 | 2020-06-02 | 南京航空航天大学 | 一种用于抑制海上多路径的gnss多源信息融合导航方法 |
CN111780755A (zh) * | 2020-06-30 | 2020-10-16 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
CN112230247A (zh) * | 2020-09-25 | 2021-01-15 | 南京航空航天大学 | 一种用于城市复杂环境下gnss完好性监测方法 |
CN112697138A (zh) * | 2020-12-07 | 2021-04-23 | 北方工业大学 | 一种基于因子图优化的仿生偏振同步定位与构图的方法 |
US20210373855A1 (en) * | 2020-12-24 | 2021-12-02 | Harbin Engineering University | Rotation Matrix-Based Factor Graph Cooperative Localization Algorithm |
CN113295162A (zh) * | 2021-04-28 | 2021-08-24 | 南京航空航天大学 | 基于无人机状态信息的广义因子图融合导航方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616641A (zh) * | 2022-12-16 | 2023-01-17 | 南京航空航天大学 | 一种基于粒子滤波的城市峡谷中组合导航高精度定位方法 |
CN115616643A (zh) * | 2022-12-16 | 2023-01-17 | 南京航空航天大学 | 一种城市区域建模辅助的定位方法 |
CN117516562A (zh) * | 2024-01-08 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 一种路网处理方法和相关装置 |
CN117516562B (zh) * | 2024-01-08 | 2024-03-22 | 腾讯科技(深圳)有限公司 | 一种路网处理方法和相关装置 |
CN117724124A (zh) * | 2024-02-07 | 2024-03-19 | 腾讯科技(深圳)有限公司 | 定位信号的处理方法、装置、计算机可读介质及电子设备 |
CN117724124B (zh) * | 2024-02-07 | 2024-04-26 | 腾讯科技(深圳)有限公司 | 定位信号的处理方法、装置、计算机可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9417327B2 (en) | Selection method of satellites for RTK positioning calculation and a selection device of satellites for the same | |
Wen et al. | 3D LiDAR aided GNSS NLOS mitigation in urban canyons | |
EP3963352A1 (en) | Systems and methods for high-integrity satellite positioning | |
CA2687312C (en) | Post-mission high accuracy position and orientation system | |
CN110515097B (zh) | 应用于基准站的gnss卫星观测粗差剔除方法和装置 | |
Bai et al. | Time-correlated window-carrier-phase-aided GNSS positioning using factor graph optimization for urban positioning | |
US11906640B2 (en) | System and method for fusing sensor and satellite measurements for positioning determination | |
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 | |
CN103529461A (zh) | 一种基于强跟踪滤波和埃尔米特插值法的接收机快速定位方法 | |
JP5642919B2 (ja) | 搬送波位相式移動体測位装置 | |
Sun et al. | Resilient pseudorange error prediction and correction for GNSS positioning in urban areas | |
Smolyakov et al. | Resilient multipath prediction and detection architecture for low‐cost navigation in challenging urban areas | |
US20230184956A1 (en) | System and method for correcting satellite observations | |
Lee et al. | Urban road safety prediction: A satellite navigation perspective | |
Georgy | Advanced nonlinear techniques for low cost land vehicle navigation | |
CN115932923A (zh) | 一种基于v2v的共享gnss车辆增强协作定位方法 | |
WO2021119493A1 (en) | System and method for validating gnss ambiguities | |
Wen | 3D LiDAR aided GNSS and its tightly coupled integration with INS via factor graph optimization | |
EP3508884B1 (en) | Intelligent satellite exclusion for multipath mitigation based on line of sight | |
Kim et al. | Machine learning-based GPS multipath detection method using dual antennas | |
Hsu et al. | Intelligent viaduct recognition and driving altitude determination using GPS data | |
CN114562992B (zh) | 一种基于因子图及场景约束的多径环境组合导航方法 | |
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 | |
US11762104B2 (en) | Method and device for locating a vehicle | |
Gu et al. | Integration of 3D map based GPS positioning and on-board sensors for vehicle self-localization in urban canyon |
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 |