CN115166782A - 基于卫星分布的导航场景识别方法、系统、设备和介质 - Google Patents
基于卫星分布的导航场景识别方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN115166782A CN115166782A CN202210746295.1A CN202210746295A CN115166782A CN 115166782 A CN115166782 A CN 115166782A CN 202210746295 A CN202210746295 A CN 202210746295A CN 115166782 A CN115166782 A CN 115166782A
- Authority
- CN
- China
- Prior art keywords
- navigation
- scene
- image
- data
- navigation scene
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012795 verification Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于卫星分布的导航场景识别方法、系统、设备和介质，所述方法包括：预设多个导航场景，并分别采集各个导航场景对应的多星座GNSS实测数据；根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集，并将导航场景识别数据集按照预设比例划分为训练集和验证集；根据训练集和验证集，训练CNN网络，得到导航场景预测模型；获取待识别多星座GNSS实测数据，并根据待识别多星座GNSS实测数据和导航场景预测模型，得到场景识别结果。本发明直接采用实测GNSS数据进行场景识别，不仅耗用硬件资源少，而且能挖掘GNSS数据的深层特征，有效提高识别精准度和泛化能力，为复杂城市环境导航任务提供可靠保障。
Description
技术领域
本发明涉及导航定位技术领域，特别是涉及一种基于卫星分布的导航场景识别方法、系统、计算机设备和存储介质。
背景技术
在复杂城市环境导航任务中，不同环境对GNSS信号的干扰特性有明显差异，导航场景识别可有助于分析各种干扰特征，可有效辅助GNSS终端的算法开发及性能测试，进而为导航识别的精准性提供可靠保障。
现有导航场景识别方法主要有图像识别法和GNSS信号判别法，然而，通过提取周围环境照片的像素特征对场景类型进行识别的图像识别法应用中，基于人工定义特征的提取低层特征的图像识别方法无法较完整地描述场景，导致场景识别准确率不高，基于CNN提取高层语义特征的图像识别方法虽然在精度上有所提升，但是需要实时获取环境图像信息，需耗费较大硬件资源；同时，通过选取多种合适的GNSS特征参数用于机器学习识别的GNSS信号判别法，不仅可识别的类别数较少，而且面对复杂多变且不同场景界限模糊的导航环境，现有终端历元的标量观测信息空间特征表征能力较弱，场景分类困难、泛化能力不足，导致识别准确率较低。
因此，亟需提供一种能够利用GNSS实测数据建模和识别，同时兼顾较高场景识别精度、较强泛化能力和较少占用硬件资源的导航场景识别方法。
发明内容
本发明的目的是提供一种基于卫星分布的导航场景识别方法，通过将卫星空间分布与观测信息联合，利用GNSS实测数据构建用于导航场景预测识别的CNN网络模型，以挖掘多星座GNSS数据的深层特征，有效提高场景识别精度和泛化能力的同时，还减少了硬件资源占用。
为了实现上述目的，有必要针对上述技术问题，提供了一种基于卫星分布的导航场景识别方法、系统、计算机设备和存储介质。
第一方面，本发明实施例提供了一种基于卫星分布的导航场景识别方法，所述方法包括以下步骤：
预设多个导航场景，并分别采集各个导航场景对应的多星座GNSS实测数据；所述多星座GNSS实测数据包括卫星位置、载噪比、多普勒频移和伪距；
根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集，并将所述导航场景识别数据集按照预设比例划分为训练集和验证集；所述导航场景识别数据集包括各个导航场景的多星座GNSS实测数据以及对应的场景标签；
根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型；
获取待识别多星座GNSS实测数据，并根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果。
进一步地，所述导航场景包括城市峡谷、城乡结合区、郊区、林荫和高架下。
进一步地，所述根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集的步骤包括：
将各个多星座GNSS实测数据分别转化为对应的场景图像数据；所述场景图像数据包括分别与卫星位置、载噪比、多普勒频移和伪距对应的卫星分布图像、载噪比图像、多普勒频移图像和伪距图像；
将所述场景图像数据添加对应的场景标签，得到所述导航场景识别数据集。
进一步地，所述将各个多星座GNSS实测数据分别转化为对应的场景图像数据的步骤包括：
将所述多星座GNSS实测数据的卫星位置投影到圆形图像平面，并进行像素调整，得到所述卫星分布图像；
将所述多星座GNSS实测数据的载噪比、多普勒频移和伪距均依次进行归一化处理和冯洛诺伊图插值处理，分别得到对应的载噪比图像、多普勒频移图像和伪距图像。
进一步地，所述将所述多星座GNSS实测数据的卫星位置投影到圆形图像平面，并进行像素调整，得到所述卫星分布图像的步骤包括：
按照下述投影算法，将所述卫星位置投影到圆形图像平面，得到初始圆形图像：
x＝R×cosφ×cosθ+R
y＝R×cosφ×sinθ+R
其中，x和y分别表示圆形平面直角坐标系的X轴和Y轴坐标值；φ和θ分别表示卫星高度角和方位角；R表示圆形图像半径；
将所述卫星位置圆形图像，按照预设规则进行像素调整，得到更新圆形图像；所述预设规则包括将有卫星分布的位置像素值设为255，将无卫星分布的位置像素值设为0；
将所述更新圆形图像的外接正方形的内部区域作为所述卫星分布图像的生成区域，并将所述生成区域内更新圆形图像以外的区域以0灰度值填充，得到所述卫星分布图像。
进一步地，所述CNN网络包括依次连接的输入层、卷积层、池化层、多个全连接层和输出层；所述卷积层和池化层的层数均根据导航场景设置；
所述根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型的步骤包括：
利用交叉熵作为损失函数，并以随机梯度下降作为优化器，对所述CNN网络进行训练，直至达到预设迭代终止条件，得到所述导航场景预测模型；所述预设迭代终止条件为训练精度和验证精度均达到对应的预设精度标准，且训练精度和验证精度的差值在预设范围内。
进一步地，所述根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果的步骤包括：
将待识别多星座GNSS实测数据转化为对应的待识别场景图像数据；所述待识别场景图像数据包括分别与卫星位置、载噪比、多普勒频移和伪距对应的待识别卫星分布图像、待识别载噪比图像、待识别多普勒频移图像和待识别伪距图像；
将所述待识别场景图像数据输入所述导航场景预测模型进行场景识别，得到所述场景识别结果。
第二方面，本发明实施例提供了一种基于卫星分布的导航场景识别系统，所述系统包括：
预设多个导航场景，并分别采集各个导航场景对应的多星座GNSS实测数据；所述多星座GNSS实测数据包括卫星位置、载噪比、多普勒频移和伪距；
根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集，并将所述导航场景识别数据集按照预设比例划分为训练集和验证集；所述导航场景识别数据集包括各个导航场景的多星座GNSS实测数据以及对应的场景标签；
根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型；
获取待识别多星座GNSS实测数据，并根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述本申请提供了一种基于卫星分布的导航场景识别方法、系统、计算机设备及存储介质，通过所述方法，实现了采集预设多个导航场景对应的多星座GNSS实测数据，并经过相应的图像转换处理后，构建得到导航场景识别数据集，并在按照预设比例将其划分为训练集和验证集后，训练CNN网络得到导航场景预测模型，用于根据待识别多星座GNSS实测数据进行导航场景预测，得到场景识别结果的技术方案。与现有技术相比，该基于卫星分布的导航场景识别方法，无需其他传感器(相机等)的辅助设备采集存储数据，通过将卫星空间分布与观测信息联合，直接采用GNSS实测数据构建用于导航场景预测识别的CNN网络模型进行智能导航场景识别，不仅耗用硬件资源少，而且能自动挖掘GNSS数据的深层特征，有效提高识别精准度和泛化能力，为复杂城市环境导航任务提供可靠保障。
附图说明
图1是本发明实施例中基于卫星分布的导航场景识别方法的应用场景示意图；
图2是本发明实施例中基于卫星分布的导航场景识别方法的流程示意图；
图3是本发明实施例中卫星分布图像、载噪比图像、多普勒频移图像和伪距图像的示意图；
图4是本发明实施例中CNN网络的结构示意图；
图5是本发明实施例中基于卫星分布的导航场景识别系统的结构示意图；
图6是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的基于卫星分布的导航场景识别方法可以应用于如图1所示的终端或服务器上。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器或终端可按照图2所示的导航场景识别架构执行本发明给出的联合卫星空间分布与观测信息的人工智能导航场景识别方法，实时进行精准有效的导航场景识别，并将得到导航场景识别结果用于复杂城市环境的导航任务；下述实施例将对本发明的基于卫星分布的导航场景识别方法进行详细说明。
在一个实施例中，如图2所示，提供了一种基于卫星分布的导航场景识别方法，包括以下步骤：
S11、预设多个导航场景，并分别采集各个导航场景对应的多星座GNSS实测数据；所述多星座GNSS实测数据包括卫星位置、载噪比、多普勒频移和伪距；其中，所述导航场景可以根据实际应用需求进行设置，本实施例，优选了5类典型场景作为复杂城市环境导航的识别对象，包括城市峡谷、城乡结合区、郊区、林荫和高架下；
确定导航场景类型后，可采用能够获取GNSS数据的移动终端采集每类导航场景对应的多星座GNSS实测数据，用于后续的建模分析；为了保证后续场景识别模型的训练效果，每类导航场景都采集尽可能多的实测数据，具体的采样频率和采样次数不作限制，如可在上述5个场景内均以10分钟的采样间隔进行采样，通过多天采集获取大量带场景标签的多星座GNSS实测数据，以按照下述方法构建得到模型训练所需数据集。
S12、根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集，并将所述导航场景识别数据集按照预设比例划分为训练集和验证集；所述导航场景识别数据集包括各个导航场景的多星座GNSS实测数据以及对应的场景标签；其中，导航场景识别数据集并不是直接将采集的多星座GNSS实测数据作为可供输入识别模型使用的数据集信息，而是需要对多星座GNSS实测数据中的卫星位置、载噪比、多普勒频移和伪距等数据进行图像转化处理，得到可以用于CNN网络识别的图像数据；对应的场景标签可以理解为根据实际数据采集场景将对应的多星座GNSS实测数据标记为城市峡谷、城乡结合区、郊区、林荫和高架下中的任一种对应标签，用于后续的CNN网络场景识别训练使用；将导航场景识别数据集划分为训练集和验证集的预设比例可根据实际应用需求进行确定，本实施例优选将划分比例设为训练集:验证集＝7:3；
具体地，所述根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集的步骤包括：
将各个多星座GNSS实测数据分别转化为对应的场景图像数据；所述场景图像数据包括分别与卫星位置、载噪比、多普勒频移和伪距对应的卫星分布图像、载噪比图像、多普勒频移图像和伪距图像；其中，场景图像数据可以理解为由卫星分布图像、载噪比图像、多普勒频移图像和伪距图像构成的4通道图像数据；具体地，所述将各个多星座GNSS实测数据分别转化为对应的场景图像数据的步骤包括：
将所述多星座GNSS实测数据的卫星位置投影到圆形图像平面，并进行像素调整，得到所述卫星分布图像，具体包括：
按照下述投影算法，将所述卫星位置投影到圆形图像平面，得到初始圆形图像：
x＝R×cosφ×cosθ+R
y＝R×cosφ×sinθ+R
其中，x和y分别表示以圆心为原点的圆形平面直角坐标系的X轴和Y轴坐标值；φ和θ分别表示卫星高度角和方位角；R表示圆形图像半径，具体取值可实际需求进行设定；
将所述卫星位置圆形图像，按照预设规则进行像素调整，得到更新圆形图像；所述预设规则包括将有卫星分布的位置像素值设为255，将无卫星分布的位置像素值设为0；
将所述更新圆形图像的外接正方形的内部区域作为所述卫星分布图像的生成区域，并将所述生成区域内更新圆形图像以外的区域以0灰度值填充，得到图3a所示的卫星分布图像；图3a所示的方形图像，是将某个导航场景下的多星座GNSS实测数据的卫星位置按照R＝50(像素)进行投影处理后得到的卫星分布图像；考虑到不同导航场景下卫星的可见数量及空间分布都会存在较大差异，并不能仅依此作为场景识别依据，就将得到每组多星座GNSS实测数据的卫星分布图像作为一个特征通道，与其他数据联合用于场景识别，以提高场景识别的精准度；
将所述多星座GNSS实测数据的载噪比、多普勒频移和伪距均依次进行归一化处理和冯洛诺伊图插值处理，分别得到如图3b、3c和3d所示的载噪比图像、多普勒频移图像和伪距图像；需要说明的是，图3b、3c和3d所示的载噪比图像、多普勒频移图像和伪距图像仅为某个导航场景下的示例性说明，不对本发明保护范围作具体限制；
将所述场景图像数据添加对应的场景标签，得到所述导航场景识别数据集。其中，导航场景识别数据集可理解为由不同导航场景的多组4通道图像数据构成的图像数据集合；
S13、根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型；其中，所述CNN网络如图4所示，包括依次连接的输入层、卷积层、池化层、多个全连接层和输出层；所述卷积层和池化层的层数均根据导航场景设置；
所述根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型的步骤包括：
利用交叉熵作为损失函数，并以随机梯度下降作为优化器，对所述CNN网络进行训练，直至达到预设迭代终止条件，得到所述导航场景预测模型；所述预设迭代终止条件为训练精度和验证精度均达到对应的预设精度标准，且训练精度和验证精度的差值在预设范围内；其中，训练精度和验证精度的获取方法如下所示：
训练精度＝训练集内CNN识别正确的样本数/训练集样本总数
验证精度＝验证集内CNN识别正确的样本数/验证集样本总数
本实施例中CNN网络训练过程中的参数设置如表1所示，对应的预设迭代终止条件可理解为训练后的CNN网络场景识别效果满足应用需求，即在训练集和验证集上得到精度越高越好，并且二者越接近越好；对应的，预设精度标准和预设范围都可以根据实际应用需求进行确定，此处不作具体限制；
表1CNN参数设置
| 编号 | 参数 | 值 |
| 1 | Loss function(损失函数) | 交叉熵 |
| 2 | Optimizer(优化器) | 随机梯度下降 |
| 3 | Dropout(丢弃值) | 0.26 |
| 4 | Number of conv layers(卷积层数) | 1 |
| 5 | Nummer of dense layers(全连接层数) | 3 |
| 6 | Number of Epochs(训练回合数) | 250 |
| 7 | Input dimension size(输入数据尺寸) | 100×100×4 |
| 8 | Output dimension size(输出数据尺寸) | 5 |
| 9 | Size of Batch(批量大小) | 64 |
| 10 | Validation split size(验证集分割比例) | 7:3 |
| 11 | Learning rate(学习率) | 1e-7 |
S14、获取待识别多星座GNSS实测数据，并根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果；其中，待识别多星座GNSS实测数据与上述构建导航场景识别数据集时采集的各个预设导航场景的多星座GNSS实测数据的内容相同，在进行实际预测使用时也需要采用数据集构建时同样数据处理方法进行处理，得到可直接输入导航场景预测模型进行识别的4通道图像数据；具体地，所述根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果的步骤包括：
将待识别多星座GNSS实测数据转化为对应的待识别场景图像数据；所述待识别场景图像数据包括分别与卫星位置、载噪比、多普勒频移和伪距对应的待识别卫星分布图像、待识别载噪比图像、待识别多普勒频移图像和待识别伪距图像；
将所述待识别场景图像数据输入所述导航场景预测模型进行场景识别，得到所述场景识别结果。
本申请实施例通过直接将多星座GNSS实测数据的卫星位置投影生成卫星分布图像，以及多星座GNSS实测数据的载噪比、多普勒频移和伪距进行归一化处理后，再利用冯洛诺伊图插值方法得到载噪比图像、多普勒频移图像和伪距图像共同构成对应的4通道图像数据，结合CNN网络训练得到导航场景预测模型，以根据待识别多星座GNSS实测数据进行导航场景实时精准预测的技术方案，实现了无需其他传感器(相机等)的辅助设备采集存储数据，仅通过卫星空间分布与观测信息联合即可进行智能导航场景识别，不仅耗用硬件资源少，而且能自动挖掘GNSS数据的深层特征，有效提高识别精准度和泛化能力，为复杂城市环境导航任务提供可靠保障。
需要说明的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。
在一个实施例中，如图5所示，提供了一种基于卫星分布的导航场景识别系统，所述系统包括：
数据采集模块1，用于预设多个导航场景，并分别采集各个导航场景对应的多星座GNSS实测数据；所述多星座GNSS实测数据包括卫星位置、载噪比、多普勒频移和伪距；
数据集构建模块2，用于根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集，并将所述导航场景识别数据集按照预设比例划分为训练集和验证集；所述导航场景识别数据集包括各个导航场景的多星座GNSS实测数据以及对应的场景标签；
模型训练模块3，用于根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型；
场景识别模块4，用于获取待识别多星座GNSS实测数据，并根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果。
关于一种基于卫星分布的导航场景识别系统的具体限定可以参见上文中对于一种基于卫星分布的导航场景识别方法的限定，在此不再赘述。上述一种基于卫星分布的导航场景识别系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图6示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于卫星分布的导航场景识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
综上，本发明实施例提供的一种基于卫星分布的导航场景识别方法、系统、计算机设备及存储介质，其基于卫星分布的导航场景识别方法实现了采集预设多个导航场景对应的多星座GNSS实测数据，并将多星座GNSS实测数据的卫星位置投影生成的卫星分布图像，以及多星座GNSS实测数据的载噪比、多普勒频移和伪距依次进行归一化和冯洛诺伊图插值处理得到的载噪比图像、多普勒频移图像和伪距图像共同构成4通道图像数据，以构建得到导航场景识别数据集，并依此训练CNN网络，得到导航场景预测模型，用于根据待识别多星座GNSS实测数据进行实时导航场景预测，得到场景识别结果的技术方案，该方法实现了无需其他传感器(相机等)的辅助设备采集存储数据，仅通过卫星空间分布与观测信息联合即可进行智能导航场景识别，不仅耗用硬件资源少，而且能自动挖掘GNSS数据的深层特征，有效提高识别精准度和泛化能力，为复杂城市环境导航任务提供可靠保障。
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于卫星分布的导航场景识别方法，其特征在于，所述方法包括以下步骤：
预设多个导航场景，并分别采集各个导航场景对应的多星座GNSS实测数据；所述多星座GNSS实测数据包括卫星位置、载噪比、多普勒频移和伪距；
根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集，并将所述导航场景识别数据集按照预设比例划分为训练集和验证集；所述导航场景识别数据集包括各个导航场景的多星座GNSS实测数据以及对应的场景标签；
根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型；
获取待识别多星座GNSS实测数据，并根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果。
2.如权利要求1所述的基于卫星分布的导航场景识别方法，其特征在于，所述导航场景包括城市峡谷、城乡结合区、郊区、林荫和高架下。
3.如权利要求1所述的基于卫星分布的导航场景识别方法，其特征在于，所述根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集的步骤包括：
将各个多星座GNSS实测数据分别转化为对应的场景图像数据；所述场景图像数据包括分别与卫星位置、载噪比、多普勒频移和伪距对应的卫星分布图像、载噪比图像、多普勒频移图像和伪距图像；
将所述场景图像数据添加对应的场景标签，得到所述导航场景识别数据集。
4.如权利要求3所述的基于卫星分布的导航场景识别方法，其特征在于，所述将各个多星座GNSS实测数据分别转化为对应的场景图像数据的步骤包括：
将所述多星座GNSS实测数据的卫星位置投影到圆形图像平面，并进行像素调整，得到所述卫星分布图像；
将所述多星座GNSS实测数据的载噪比、多普勒频移和伪距均依次进行归一化处理和冯洛诺伊图插值处理，分别得到对应的载噪比图像、多普勒频移图像和伪距图像。
5.如权利要求4所述的基于卫星分布的导航场景识别方法，其特征在于，所述将所述多星座GNSS实测数据的卫星位置投影到圆形图像平面，并进行像素调整，得到所述卫星分布图像的步骤包括：
按照下述投影算法，将所述卫星位置投影到圆形图像平面，得到初始圆形图像：
x＝R×cosφ×cosθ+R
y＝R×cosφ×sinθ+R
其中，x和y分别表示圆形平面直角坐标系的X轴和Y轴坐标值；φ和θ分别表示卫星高度角和方位角；R表示圆形图像半径；
将所述卫星位置圆形图像，按照预设规则进行像素调整，得到更新圆形图像；所述预设规则包括将有卫星分布的位置像素值设为255，将无卫星分布的位置像素值设为0；
将所述更新圆形图像的外接正方形的内部区域作为所述卫星分布图像的生成区域，并将所述生成区域内更新圆形图像以外的区域以0灰度值填充，得到所述卫星分布图像。
6.如权利要求1所述的基于卫星分布的导航场景识别方法，其特征在于，所述CNN网络包括依次连接的输入层、卷积层、池化层、多个全连接层和输出层；所述卷积层和池化层的层数均根据导航场景设置；
所述根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型的步骤包括：
利用交叉熵作为损失函数，并以随机梯度下降作为优化器，对所述CNN网络进行训练，直至达到预设迭代终止条件，得到所述导航场景预测模型；所述预设迭代终止条件为训练精度和验证精度均达到对应的预设精度标准，且训练精度和验证精度的差值在预设范围内。
7.如权利要求1所述的基于卫星分布的导航场景识别方法，其特征在于，所述根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果的步骤包括：
将待识别多星座GNSS实测数据转化为对应的待识别场景图像数据；所述待识别场景图像数据包括分别与卫星位置、载噪比、多普勒频移和伪距对应的待识别卫星分布图像、待识别载噪比图像、待识别多普勒频移图像和待识别伪距图像；
将所述待识别场景图像数据输入所述导航场景预测模型进行场景识别，得到所述场景识别结果。
8.一种基于卫星分布的导航场景识别系统，其特征在于，所述系统包括：
数据采集模块，用于预设多个导航场景，并分别采集各个导航场景对应的多星座GNSS实测数据；所述多星座GNSS实测数据包括卫星位置、载噪比、多普勒频移和伪距；
数据集构建模块，用于根据所有导航场景的多星座GNSS实测数据，构建导航场景识别数据集，并将所述导航场景识别数据集按照预设比例划分为训练集和验证集；所述导航场景识别数据集包括各个导航场景的多星座GNSS实测数据以及对应的场景标签；
模型训练模块，用于根据所述训练集和验证集，训练CNN网络，得到导航场景预测模型；
场景识别模块，用于获取待识别多星座GNSS实测数据，并根据所述待识别多星座GNSS实测数据和所述导航场景预测模型，得到场景识别结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210746295.1A CN115166782A (zh) | 2022-06-28 | 2022-06-28 | 基于卫星分布的导航场景识别方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210746295.1A CN115166782A (zh) | 2022-06-28 | 2022-06-28 | 基于卫星分布的导航场景识别方法、系统、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115166782A true CN115166782A (zh) | 2022-10-11 |
Family
ID=83488382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210746295.1A Pending CN115166782A (zh) | 2022-06-28 | 2022-06-28 | 基于卫星分布的导航场景识别方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115166782A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970399A (zh) * | 2024-03-29 | 2024-05-03 | 华航导控(天津)科技有限公司 | 一种在复杂城市环境下的定位方法 |
-
2022
- 2022-06-28 CN CN202210746295.1A patent/CN115166782A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970399A (zh) * | 2024-03-29 | 2024-05-03 | 华航导控(天津)科技有限公司 | 一种在复杂城市环境下的定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
| CN112258512A (zh) | 点云分割方法、装置、设备和存储介质 | |
| CN111479321B (zh) | 一种网格构建方法、装置、电子设备和存储介质 | |
| CN109977832B (zh) | 一种图像处理方法、装置及存储介质 | |
| CN116012364A (zh) | Sar图像变化检测方法和装置 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN115166782A (zh) | 基于卫星分布的导航场景识别方法、系统、设备和介质 | |
| CN112526572A (zh) | 室内外无缝导航的网络切换方法与定位系统 | |
| CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
| CN117197462A (zh) | 基于多尺度特征融合和对齐的轻量地基云分割方法及系统 | |
| CN117253155B (zh) | 一种基于深度学习的人类活动检测方法及系统 | |
| CN115861891B (zh) | 视频目标检测方法、装置、设备及介质 | |
| CN115424131B (zh) | 一种云检测最优阈值选取方法、云检测方法及系统 | |
| CN114937029B (zh) | 森林碳储量抽样估测方法、装置、设备及存储介质 | |
| CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
| CN105956595A (zh) | 图像特征提取方法及系统 | |
| CN112950726B (zh) | 摄像头朝向标定方法及相关产品 | |
| CN114610938A (zh) | 遥感图像检索方法、装置、电子设备和计算机可读介质 | |
| CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
| CN113838078A (zh) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 | |
| CN112712015A (zh) | 一种人体关键点识别方法、装置、智能终端及存储介质 | |
| CN111382773A (zh) | 一种用于管道内部监测基于九宫原理的图像匹配方法 | |
| CN118152762B (zh) | 基于深度学习的中性氢源识别与分割方法、装置和介质 | |
| CN117576489B (zh) | 智能机器人鲁棒实时目标感知方法、装置、设备及介质 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Dai Zhiqiang Inventor after: Zhai Chunlei Inventor after: Zhu Xiangwei Inventor after: Zhou Jingyi Inventor after: Yao Hexiong Inventor after: Li Fang Inventor after: OuYang Mingjun Inventor before: Dai Zhiqiang Inventor before: Zhai Chunlei Inventor before: Zhu Xiangwei Inventor before: Zhou Jingyi Inventor before: Yao Hexiong Inventor before: Li Fang Inventor before: OuYang Mingjun |