CN117092679A - 一种用于rtk模糊度固定判决的人工神经网络的训练方法 - Google Patents
一种用于rtk模糊度固定判决的人工神经网络的训练方法 Download PDFInfo
- Publication number
- CN117092679A CN117092679A CN202311354386.1A CN202311354386A CN117092679A CN 117092679 A CN117092679 A CN 117092679A CN 202311354386 A CN202311354386 A CN 202311354386A CN 117092679 A CN117092679 A CN 117092679A
- Authority
- CN
- China
- Prior art keywords
- rtk
- module
- training
- judgment
- solution
- 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
- 238000012549 training Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 241001061260 Emmelichthys struhsakeri Species 0.000 description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 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
- G01S19/38—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
- G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
- G01S19/44—Carrier phase ambiguity resolution; Floating ambiguity; LAMBDA [Least-squares AMBiguity Decorrelation Adjustment] method
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请涉及GNSS实时精确定位领域,提出了一种用于RTK模糊度固定判决的人工神经网络的训练方法,包括:获取观测量;对观测量执行RTK解算;从RTK解算结果中提取用于模糊度固定判决的人工神经网络训练的特征量;获取与观测量相同环境的轨迹真值;将RTK解算结果与轨迹真值进行比较,基于比较结果得到模糊度固定的判决结果,作为人工神经网络训练的监督值;将提取的特征量以及监督值输入人工神经网络工具,使用人工神经网络工具进行训练,获得用于RTK模糊度固定判决的训练结果。本申请还提出了一种RTK模糊度固定判决应用方法。本申请的技术方案能够提高RTK模糊度固定判决的准确度,尤其是能够提高复杂环境下的准确度。
Description
技术领域
本申请涉及一种基于卫星导航系统的实时精确定位技术,特别地涉及一种用于实时动态差分(RTK)模糊度固定判决的人工神经网络的训练方法。
背景技术
RTK(Real-Time Kinematic,实时动态差分)是基于卫星导航系统的实时精确定位技术。全球导航卫星系统(GNSS)接收机接收卫星导航信号,并利用基准站播发的差分数据,进行高精度定位解算,可以得到厘米级的定位结果。
RTK解算利用载波相位测量以提高定位精度,载波相位存在整周模糊度的问题。对于通常的高精度定位接收机,当求解出整周模糊度并认为其正确时,RTK定位标记为固定(FIX)状态;未求解出整周模糊度或无法确认其正确性时,RTK定位标记为浮点(FLOAT)状态。
在一些应用场景中,例如具备自动驾驶模式的汽车或者割草机,GNSS接收机作为重要的位置传感器提供定位结果。如果定位结果不可靠,没有达到FIX的精度要求却被标记定位状态为FIX,将带来一定的安全隐患;反之,如果定位结果达到了FIX的精度要求却没有被标记为FIX,则会降低其可用性。因此,如何快速准确地判决RTK定位是否能够被标记为FIX,是RTK解算中的重要问题。
现有的方法通常是用模糊度求解后最优解和次优解的残差的比值来进行判决。但如果GNSS接收机工作在复杂环境,例如多楼宇的城市、峡谷地带、或者多树木的林荫路,卫星信号受到遮挡,可见卫星数量、卫星几何分布快速变化。这种情况下,仅通过最优解和次优解残差的比值不易得到准确的模糊度固定判决结果。
发明内容
针对现有技术中存在的技术问题,本申请提出了一种用于RTK模糊度固定判决的人工神经网络的训练方法,包括:获取观测量;对观测量执行RTK解算;从RTK解算结果中提取用于模糊度固定判决的人工神经网络训练的特征量;获取与观测量相同环境的轨迹真值;将RTK解算结果与轨迹真值进行比较,基于比较结果得到模糊度固定的判决结果,作为人工神经网络训练的监督值;将提取的特征量以及监督值输入人工神经网络工具,使用所述人工神经网络工具进行训练,获得用于RTK模糊度固定判决的训练结果;其中,特征量至少包括:参与RTK解算的卫星数、整数最小二乘解算最优解和次优解误差的比值、整数最小二乘解算的模糊度精度因子(ADOP)值、将解算位置带入观测方程后计算的载波相位双差残差检验统计量、将解算位置带入观测方程后计算的伪距双差残差检验统计量、载波相位双差为整数的比例、以及载波相位双差整周验证个数。
特别的,其中轨迹真值是由带有惯导的接收装置获得的。
本申请还提出了一种RTK模糊度固定判决应用方法,包括: 获取观测量;对观测量进行RTK解算;从RTK解算结果中提取用于模糊度固定判决的特征量,特征量至少包括:参与RTK解算的卫星数、整数最小二乘解算最优解和次优解误差的比值、整数最小二乘解算的模糊度精度因子(ADOP)值、将解算位置带入观测方程后计算的载波相位双差残差检验统计量、将解算位置带入观测方程后计算的伪距双差残差检验统计量、载波相位双差为整数的比例、以及载波相位双差整周验证个数;基于特征量,进行RTK模糊度固定的判决,其中判决是利用人工神经网络的训练结果进行的。
本申请还提出了一种进行用于RTK模糊度固定判决的人工神经网络训练的系统,包括观测量获取模块,配置为获取观测量;RTK解算模块,与观测量获取模块耦合,配置为对观测量进行RTK解算;真值获取模块,配置为获取与观测量相同环境的轨迹真值;特征量提取模块,与RTK解算模块耦合,从RTK解算模块的解算结果中提取用于RTK模糊度固定判决训练的特征量,特征量至少包括:参与RTK解算的卫星数、整数最小二乘解算最优解和次优解误差的比值、整数最小二乘解算的模糊度精度因子(ADOP)值、将解算位置带入观测方程后计算的载波相位双差残差检验统计量、将解算位置带入观测方程后计算的伪距双差残差检验统计量、载波相位双差为整数的比例、以及载波相位双差整周验证个数;监督值生成模块,分别与RTK解算模块以及真值获取模块耦合,配置为将RTK解算模块的解算结果与轨迹真值进行比较,基于比较结果获得模糊度固定判决的监督值;人工神经网络模块,分别与特征量提取模块以及监督值生成模块耦合,配置为接收来自特征量提取模块的特征量以及来自监督值生成模块的监督值,进行RTK模糊度固定判决训练,并得到训练结果。
本申请还提出了一种用于RTK模糊度固定判决的应用装置,包括:训练结果存储模块,配置为存储用于RTK模糊度固定判决的人工神经网络训练结果;观测量获取模块,配置为获取观测量;RTK解算模块,与观测量获取模块耦合,配置为对观测量进行RTK解算;特征量提取模块,与RTK解算模块耦合,从RTK解算模块的解算结果中提取用于RTK模糊度固定判决的特征量,特征量至少包括:参与RTK解算的卫星数、整数最小二乘解算最优解和次优解误差的比值、整数最小二乘解算的模糊度精度因子(ADOP)值、将解算位置带入观测方程后计算的载波相位双差残差检验统计量、将解算位置带入观测方程后计算的伪距双差残差检验统计量、载波相位双差为整数的比例、以及载波相位双差整周验证个数;判决模块,分别与训练结果存储模块和特征量提取模块耦合,通过训练结果和特征量进行RTK模糊度固定判决。
本申请还提出了一种GNSS接收机,至少包括前述的用于RTK模糊度固定判决的应用装置。
附图说明
下面,将结合附图对本申请的优选实施方式进行进一步详细的说明,其中:
图1是根据本申请一个实施例的用于RTK模糊度固定判决的人工神经网络的训练方法的流程图;
图2是根据本申请一个实施例的RTK模糊度固定判决应用方法的流程图;以及
图3是根据本申请一个实施例的RTK解算的基本模型示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在以下的详细描述中,可以参看作为本申请一部分用来说明本申请的特定实施例的各个说明书附图。在附图中,相似的附图标记在不同图式中描述大体上类似的组件。本申请的各个特定实施例在以下进行了足够详细的描述,使得具备本领域相关知识和技术的普通技术人员能够实施本申请的技术方案。应当理解,还可以利用其它实施例或者对本申请的实施例进行结构、逻辑或者电性的改变。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。对于附图中的各单元之间的连线,仅仅是为了便于说明,其表示至少连线两端的单元是相互通信的,并非旨在限制未连线的单元之间无法通信。另外,两个单元之间线条的数目旨在表示该两个单元之间通信至少所涉及的信号数或至少具备的输出端,并非用于限定该两个单元之间只能如图中所示的信号来进行通信。
本申请提出了一种用于RTK模糊度固定判决的人工神经网络的训练方法和RTK模糊度固定判决应用方法,更加适用于复杂环境下的RTK模糊度固定判决。
图1是根据本申请一个实施例的用于RTK模糊度固定判决的人工神经网络的训练方法的流程图,包括:
111:获取观测量。
根据一个实施例,可以通过道路测试获得观测量,或者从存储装置中获取既往存储的观测量。
112:对观测量执行RTK解算。
113:从RTK解算结果中提取用于模糊度固定判决的人工神经网络训练的特征量。
121:获取与操作111中相同环境的轨迹真值。相同环境指的是相同的道路或者相同的轨迹。
根据一个实施例,所述轨迹真值可以是利用带有惯导的高精度导航接收机实时或事先获取并存储的。
122:将RTK解算结果与轨迹真值进行比较,基于比较结果得到模糊度固定的判决结果,作为人工神经网络训练的监督值。
根据一个实施例,比较结果可以是二者的残差大小。
131:将提取的特征量以及监督值输入人工神经网络工具,使用人工神经网络工具进行训练;获得用于RTK模糊度固定判决的训练结果。
根据一个实施例,操作131获得的训练结果可以是包括一个将多种特征量作为变量的公式或者矩阵。
根据一个实施例,操作113中提取的特征量可以包括:(a)参与RTK解算的卫星数。即:当前进行双差载波相位最小二乘求解时的观测量个数。
根据一个实施例,操作113中提取的特征量可以包括:(b)整数最小二乘解算最优解和次优解误差的比值。即:使用整数最小二乘求解得到的最优解和次优解分别对应的残差的比值,用次优解残差除以最优解残差,得到一个大于1的比值。
根据一个实施例,操作113中提取的特征量可以包括:(c)整数最小二乘解算的模糊度精度因子(ADOP)值。即:使用整数最小二乘求解时得到的ADOP值,取值在0~1之间,越接近1表示本次求解的可信度越高。
图3是根据本申请一个实施例的RTK解算的基本模型示意图。RTK解算是解算相对位置,根据一个实施例,如图3所示,接收机b是基准站,其位置是已知的。接收机b的位置和观测量通过网络差分数据服务发送给流动站(接收机r),接收机r根据自身的观测量和来自接收机b的差分数据进行相对于基准站(接收机b)的相对位置的解算。
根据一个实施例,操作113中提取的特征量可以包括:(d)将解算位置带入观测方程后计算的载波相位双差残差检验统计量。
根据图3所示的RTK解算的基本模型,流动站接收机r、基准站接收机b、卫星j在频点i的载波相位单差定义为:
流动站接收机r、基准站接收机b、卫星k在频点i的载波相位单差定义为:
流动站接收机r、基准站接收机b、卫星j、卫星k在频点i的载波相位双差定义为:
将式(1)和式(2)带入式(3)后,式(3)转换为:
其中,为流动站接收机r接收到卫星j在频点i的载波相位观测量,/>为基准站接收机b接收到卫星j在频点i的载波相位观测量,/>为流动站接收机r接收到卫星k在频点i的载波相位观测量,/>为基准站接收机k接收到卫星k在频点i的载波相位观测量。
式(4)继续解算可得:
其中,为流动站接收机r和基准站接收机b各自到卫星j和卫星k的几何距离的差;/>为频点i的载波波长乘以解算出的流动站接收机r和基准站接收机b各自从卫星j和卫星k接收到载波相位观测量的模糊度的差;/>表示载波相位双差残差。
在计算载波相位双差时,把解算出的相对位置代入式(6)得到,再将/>和解算出的模糊度带入式(5)、观测量带入式(4)之后,将式(5)和式(4)相减,即可计算出载波相位双差残差。
载波相位双差残差检验统计量是载波相位双差残差的统计结果,理论上每个观测量的载波相位双差残差都服从高斯分布,所以把残差的平方和相加,即服从自由度为(n-3)的卡方分布,n为观测量个数,减3是因为双差方程(式(4))中包含待解算的接收机三维位置坐标的3个未知数。
即:载波相位双差残差检验统计量的计算为:
其中residual表示残差。
根据一个实施例,操作113中提取的特征量可以包括:(e)将解算位置带入观测方程后计算的伪距双差残差检验统计量。
根据图3所示的RTK解算的基本模型,流动站接收机r、基准站接收机b、卫星j在频点i的伪距单差定义为:
流动站接收机r、基准站接收机b、卫星k在频点i的伪距单差定义为:
流动站接收机r、基准站接收机b、卫星k在频点i的伪距单差定义为:
流动站接收机r、基准站接收机b、卫星j、卫星k在频点i的伪距双差定义为:
将式(7)和式(8)带入式(9)后,式(9)转换为:
其中,为流动站接收机r接收到卫星j在频点i的伪距观测量,/>为基准站接收机b接收到卫星j在频点i的伪距观测量,/>为流动站接收机r接收到卫星k在频点i的伪距观测量,/>为基准站接收机k接收到卫星k在频点i的伪距观测量。
式(10)继续解算可得:
其中,为流动站接收机r和基准站接收机b各自到卫星j和卫星k的几何距离的差;/>表示伪距双差残差。
在计算伪距双差时,把解算出的相对位置代入式(6)得到,再将/>代入式(11)后与式(10)相减,即可计算出伪距双差残差。
伪距双差残差检验统计量是伪距双差残差的统计结果,理论上每个观测量的伪距双差残差都服从高斯分布,所以把残差的平方和相加,即服从自由度为(n-3)的卡方分布,n为观测量个数,减3是因为双差方程(式(10))中包含待解算的接收机三维位置坐标的3个未知数。
即伪距双差残差检验统计量的计算为:
其中residual表示残差。
根据一个实施例,操作113中提取的特征量可以包括:(f)载波相位双差为整数的比例。
将解算位置代入载波相位双差观测方程(式(5)),计算载波相位双差,判定载波相位双差是否为整数,计算判定为整数的载波相位双差占所有载波相位双差的比例。
根据一个实施例,判定载波相位双差是否为整数的方法为:将计算获得的载波相位双差值四舍五入得到一个取整值,将计算值与取整值进行比较,二者的差如果小于预先设定的门限值即认为计算获得载波相位双差值为整数。
根据其他实施例,预先设定的门限值可以根据实际应用中对定位精度的要求进行调整。
根据一个实施例,操作113中提取的特征量可以包括:(g)载波相位双差整周验证个数。
将解算位置代入载波相位双差观测方程(式(5)),计算载波相位双差,如果上一解算时刻RTK模糊度固定判决为FIX,且上一时刻也计算了该观测量的载波相位双差,那么就将本时刻载波相位双差与上一时刻的载波相位双差进行比较,如果小于预先设定的门限值则认为验证成功,同时对验证成功的载波相位双差进行计数。
根据一个实施例,操作113中提取的特征量可以是上述特征量(a)至(g)中的一种或多种。
根据一个实施例,操作113中提取的特征量还可以包括其他特征量,特征量的选取可以在每次训练前根据实际使用情况进行调整。
根据一个实施例,操作112和113既可以在后台计算机上用后处理软件完成4,也可以经过对GNSS接收机的改动,直接在GNSS接收机内部完成。
根据其他实施例,根据实际应用的需要,可以对操作131使用的人工神经网络工具中神经元的权重就行调整。
图2是根据本申请一个实施例的RTK模糊度固定判决方法的流程图,该方法可以由根据本申请的一个实施例的GNSS接收机执行,该方法可以包括:
202:获取观测量。由于本应用方法是对训练结果的实际应用,因此操作202获取的观测量可以是与前述训练方法中相同或不同环境的观测量。
203:对观测量进行RTK解算。
204:从RTK解算结果中提取用于模糊度固定判决的特征量。
根据一个实施例,操作204中提取的特征量可以包括:(a)参与所述RTK解算的卫星数。
根据一个实施例,操作204中提取的特征量可以包括:(b)整数最小二乘解算最优解和次优解误差的比值。
根据一个实施例,操作204中提取的特征量可以包括:(c)整数最小二乘解算的模糊度精度因子(ADOP)值。
根据一个实施例,操作204中提取的特征量可以包括:(d)将解算位置带入观测方程后计算的载波相位双差残差检验统计量。
根据一个实施例,操作204中提取的特征量可以包括:(e)将解算位置带入观测方程后计算的伪距双差残差检验统计量。
根据一个实施例,操作204中提取的特征量可以包括:(f)载波相位双差为整数的比例。
根据一个实施例,操作204中提取的特征量可以包括:(g)载波相位双差整周验证个数。
根据一个实施例,操作113中提取的特征量可以是上述特征量(a)至(g)中的一种或多种;操作113中提取的特征量需要与前述训练方法中提取的特征量的种类、数量一致。
205:基于提取的特征量,进行RTK模糊度固定的判决,其中此处的判决是利用前述人工神经网络的训练结果进行的。
综上所述,本申请提出的用于RTK模糊度固定判决的训练方法和RTK模糊度固定判决应用方法,能够提高RTK模糊度固定判决的准确度,尤其是能够提高复杂环境下RTK模糊度固定判决的准确度。
本申请还提出了一种进行用于RTK模糊度固定判决的人工神经网络训练的系统,包括:
观测量获取模块,配置为在测试中获取观测量;也可以配置为读取并存储现有的观测量;
RTK解算模块,与观测量获取模块耦合,配置为对观测量进行RTK解算;
真值获取模块,配置为获取与所述观测量相同环境的轨迹真值;
特征量提取模块,与RTK解算模块耦合,从RTK解算模块的解算结果中提取用于RTK模糊度固定判决训练的特征量;所提取的特征量可以包括下列的一种或多种:(a)参与RTK解算的卫星数、(b)整数最小二乘解算最优解和次优解误差的比值、(c)整数最小二乘解算的模糊度精度因子(ADOP)值、(d)将解算位置带入观测方程后计算的载波相位双差残差检验统计量、(e)将解算位置带入观测方程后计算的伪距双差残差检验统计量、(f)载波相位双差为整数的比例、以及(g)载波相位双差整周验证个数;
监督值生成模块,分别与RTK解算模块以及真值获取模块耦合,配置为将RTK解算模块的解算结果与轨迹真值进行比较,基于比较结果,例如残差大小,获得模糊度固定判决的监督值;
人工神经网络模块,分别与特征量提取模块以及监督值生成模块耦合,配置为接收来自特征量提取模块的特征量以及来自监督值生成模块的监督值,进行RTK模糊度固定判决的训练,并得到训练结果。
本申请还提出了一种用于RTK模糊度固定判决的应用装置,包括:
训练结果存储模块,配置为存储用于RTK模糊度固定判决的人工神经网络训练结果;
观测量获取模块,配置为获取观测量。其中此处获取的观测量可以是与前述训练系统中的观测量相同或者不同,由该装置所处的环境决定。
RTK解算模块,与观测量获取模块耦合,配置为对观测量进行实时RTK解算;
特征量提取模块,与RTK解算模块耦合,从RTK解算模块的解算结果中提取用于RTK模糊度固定判决的特征量;所提取的特征量可以包括下列的一种或多种:(a)参与RTK解算的卫星数、(b)整数最小二乘解算最优解和次优解误差的比值、(c)整数最小二乘解算的模糊度精度因子(ADOP)值、(d)将解算位置带入观测方程后计算的载波相位双差残差检验统计量、(e)将解算位置带入观测方程后计算的伪距双差残差检验统计量、(f)载波相位双差为整数的比例、以及(g)载波相位双差整周验证个数;所提取得特征量的种类和数量应与前述训练系统中所提取的特征量一致;
判决模块,分别与训练结果存储模块和特征量提取模块耦合,通过训练结果和提取的特征量进行RTK模糊度固定判决。
本申请还提出一种GNSS接收机,至少包括本申请实施例中的用于RTK模糊度固定判决的应用装置。
上述实施例仅供说明本申请之用,而并非是对本申请的限制,有关技术领域的普通技术人员,在不脱离本申请范围的情况下,还可以做出各种变化和变型,因此,所有等同的技术方案也应属于本申请公开的范畴。
Claims (6)
1.一种用于RTK模糊度固定判决的人工神经网络的训练方法,包括:
获取观测量;
对所述观测量执行RTK解算;
从RTK解算结果中提取用于所述RTK模糊度固定判决的人工神经网络训练的特征量;
获取与所述观测量相同环境的轨迹真值;
将所述RTK解算结果与所述轨迹真值进行比较,基于比较结果得到RTK模糊度固定的判决结果,作为人工神经网络训练的监督值;
将提取的特征量以及所述监督值输入人工神经网络工具,使用所述人工神经网络工具进行训练,获得用于RTK模糊度固定判决的训练结果;
其中,所述特征量至少包括:参与所述RTK解算的卫星数、整数最小二乘解算最优解和次优解误差的比值、整数最小二乘解算的模糊度精度因子(ADOP)值、将解算位置带入观测方程后计算的载波相位双差残差检验统计量、将解算位置带入观测方程后计算的伪距双差残差检验统计量、载波相位双差为整数的比例、以及载波相位双差整周验证个数。
2.根据权利要求1所述的训练方法,其中所述轨迹真值是由带有惯导的接收装置获得的。
3.一种RTK模糊度固定判决应用方法,包括:
获取观测量;
对所述观测量进行RTK解算;
从RTK解算结果中提取用于所述RTK模糊度固定判决的特征量,所述特征量至少包括:参与所述RTK解算的卫星数、整数最小二乘解算最优解和次优解误差的比值、整数最小二乘解算的模糊度精度因子(ADOP)值、将解算位置带入观测方程后计算的载波相位双差残差检验统计量、将解算位置带入观测方程后计算的伪距双差残差检验统计量、载波相位双差为整数的比例、以及载波相位双差整周验证个数;
基于所述特征量,进行RTK模糊度固定的判决,其中所述判决是利用人工神经网络的训练结果进行的。
4.一种进行用于RTK模糊度固定判决的人工神经网络训练的系统,包括:
观测量获取模块,配置为获取观测量;
RTK解算模块,与所述观测量获取模块耦合,配置为对所述观测量进行RTK解算;
真值获取模块,配置为获取与所述观测量相同环境的轨迹真值;
特征量提取模块,与所述RTK解算模块耦合,从所述RTK解算模块的解算结果中提取用于RTK模糊度固定判决训练的特征量,所述特征量至少包括:参与所述RTK解算的卫星数、整数最小二乘解算最优解和次优解误差的比值、整数最小二乘解算的模糊度精度因子(ADOP)值、将解算位置带入观测方程后计算的载波相位双差残差检验统计量、将解算位置带入观测方程后计算的伪距双差残差检验统计量、载波相位双差为整数的比例、以及载波相位双差整周验证个数;
监督值生成模块,分别与所述RTK解算模块以及所述真值获取模块耦合,配置为将所述RTK解算模块的解算结果与所述轨迹真值进行比较,基于比较结果获得模糊度固定判决的监督值;
人工神经网络模块,分别与所述特征量提取模块以及所述监督值生成模块耦合,配置为接收来自所述特征量提取模块的所述特征量以及来自所述监督值生成模块的所述监督值,进行所述RTK模糊度固定判决训练,并得到训练结果。
5.一种用于RTK模糊度固定判决的应用装置,包括:
训练结果存储模块,配置为存储用于RTK模糊度固定判决的人工神经网络训练结果;
观测量获取模块,配置为获取观测量;
RTK解算模块,与所述观测量获取模块耦合,配置为对所述观测量进行RTK解算;
特征量提取模块,与所述RTK解算模块耦合,从所述RTK解算模块的解算结果中提取用于所述RTK模糊度固定判决的特征量,所述特征量至少包括:参与所述RTK解算的卫星数、整数最小二乘解算最优解和次优解误差的比值、整数最小二乘解算的模糊度精度因子(ADOP)值、将解算位置带入观测方程后计算的载波相位双差残差检验统计量、将解算位置带入观测方程后计算的伪距双差残差检验统计量、载波相位双差为整数的比例、以及载波相位双差整周验证个数;
判决模块,分别与所述训练结果存储模块和所述特征量提取模块耦合,通过所述训练结果和所述特征量进行所述RTK模糊度固定判决。
6.一种GNSS接收机,至少包括如权利要求5所述的用于RTK模糊度固定判决的应用装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311354386.1A CN117092679B (zh) | 2023-10-19 | 2023-10-19 | 一种用于rtk模糊度固定判决的人工神经网络的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311354386.1A CN117092679B (zh) | 2023-10-19 | 2023-10-19 | 一种用于rtk模糊度固定判决的人工神经网络的训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117092679A true CN117092679A (zh) | 2023-11-21 |
CN117092679B CN117092679B (zh) | 2024-01-30 |
Family
ID=88780137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311354386.1A Active CN117092679B (zh) | 2023-10-19 | 2023-10-19 | 一种用于rtk模糊度固定判决的人工神经网络的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117092679B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907973A (zh) * | 2018-09-14 | 2020-03-24 | 千寻位置网络有限公司 | 网络rtk基线双差模糊度检验方法、装置及定位方法 |
KR20200067328A (ko) * | 2018-12-04 | 2020-06-12 | 한국과학기술원 | 고안전성 rtk-gnss의 초기 준비시간 단축 방법 및 시스템 |
CN111694037A (zh) * | 2020-07-17 | 2020-09-22 | 重庆电子技术研究所 | 一种终端定位方法及终端设备 |
CN114660639A (zh) * | 2020-12-23 | 2022-06-24 | 千寻位置网络有限公司 | 定位置信误差模型的确定方法和定位置信误差的确定方法 |
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 |
CN116304654A (zh) * | 2021-12-21 | 2023-06-23 | 千寻位置网络有限公司 | 模糊度确认模型的训练方法、模糊度确认方法及装置 |
CN116609798A (zh) * | 2022-02-17 | 2023-08-18 | 泰为股份有限公司 | 具有位置校正机制的导航系统及其操作方法 |
CN116643293A (zh) * | 2023-04-28 | 2023-08-25 | 广州吉欧电子科技有限公司 | Gnss定位方法及装置、设备、存储介质 |
CN116679331A (zh) * | 2023-04-26 | 2023-09-01 | 广西电网有限责任公司贵港供电局 | 基于轮询北斗rtk定位与lstm辅助解算的杆塔偏移监测方法及系统 |
CN219758515U (zh) * | 2023-04-17 | 2023-09-26 | 桂林电子科技大学 | 一种多天线双频rtk/ins深耦合高精度定位和测姿系统 |
-
2023
- 2023-10-19 CN CN202311354386.1A patent/CN117092679B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907973A (zh) * | 2018-09-14 | 2020-03-24 | 千寻位置网络有限公司 | 网络rtk基线双差模糊度检验方法、装置及定位方法 |
KR20200067328A (ko) * | 2018-12-04 | 2020-06-12 | 한국과학기술원 | 고안전성 rtk-gnss의 초기 준비시간 단축 방법 및 시스템 |
CN111694037A (zh) * | 2020-07-17 | 2020-09-22 | 重庆电子技术研究所 | 一种终端定位方法及终端设备 |
CN114660639A (zh) * | 2020-12-23 | 2022-06-24 | 千寻位置网络有限公司 | 定位置信误差模型的确定方法和定位置信误差的确定方法 |
CN116304654A (zh) * | 2021-12-21 | 2023-06-23 | 千寻位置网络有限公司 | 模糊度确认模型的训练方法、模糊度确认方法及装置 |
WO2023116043A1 (zh) * | 2021-12-21 | 2023-06-29 | 千寻位置网络有限公司 | 模糊度确认模型的训练方法、模糊度确认方法及装置 |
CN116609798A (zh) * | 2022-02-17 | 2023-08-18 | 泰为股份有限公司 | 具有位置校正机制的导航系统及其操作方法 |
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 |
CN219758515U (zh) * | 2023-04-17 | 2023-09-26 | 桂林电子科技大学 | 一种多天线双频rtk/ins深耦合高精度定位和测姿系统 |
CN116679331A (zh) * | 2023-04-26 | 2023-09-01 | 广西电网有限责任公司贵港供电局 | 基于轮询北斗rtk定位与lstm辅助解算的杆塔偏移监测方法及系统 |
CN116643293A (zh) * | 2023-04-28 | 2023-08-25 | 广州吉欧电子科技有限公司 | Gnss定位方法及装置、设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
申丽丽: "支持海量用户的北斗/GPS多频网络RTK关键技术研究", 支持海量用户的北斗/GPS多频网络RTK关键技术研究, pages 60 - 93 * |
陈远鸿 等: "利用神经网络建立GPS网络RTK的双差对流层误差模型", 大地测量与地球动力学, vol. 31, no. 6, pages 128 - 131 * |
Also Published As
Publication number | Publication date |
---|---|
CN117092679B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103837879B (zh) | 基于北斗系统民用载波相位组合实现高精度定位的方法 | |
CN111559372B (zh) | 一种泊车系统的车位检测性能的评价方法和电子设备 | |
Kbayer et al. | Performances analysis of GNSS NLOS bias correction in urban environment using a three-dimensional city model and GNSS simulator | |
CN109459778A (zh) | 基于抗差方差分量估计的码伪距/多普勒联合测速方法及其应用 | |
CN104714244A (zh) | 一种基于抗差自适应Kalman滤波的多系统动态PPP解算方法 | |
Odijk et al. | Predicting the success rate of long-baseline GPS+ Galileo (partial) ambiguity resolution | |
CN102116867A (zh) | 一种在动态环境下探测并修复gps载波相位周跳的方法 | |
CN109143298B (zh) | 北斗和gps观测值周跳探测与修复方法、设备及存储设备 | |
CN103576175A (zh) | 一种双频多星座gnss整周模糊度otf解算方法 | |
EP4254015A1 (en) | Positioning accuracy evaluation method and apparatus | |
CN105301617A (zh) | 一种卫星导航系统中的整周模糊度有效性检验方法 | |
CN106054216A (zh) | 基于gdop和uere的多模gnss选星方法 | |
CN106324622B (zh) | 一种局域增强系统完好性监测及实时定位增强方法 | |
CN115792980A (zh) | 一种模型和数据双重驱动的gnss rtk定位选星方法及系统 | |
CN112146557A (zh) | 一种基于gnss的实时桥梁变形监测系统及方法 | |
CN105388496B (zh) | 基于gps的交通应用脆弱性检测系统及其方法 | |
CN115685260A (zh) | Gls基准站的识别欺骗干扰识别方法、装置、平台和介质 | |
CN108254774A (zh) | 基于gnss多频信号的单基站长距离实时定位方法 | |
AU2022204823A1 (en) | Reliability determination of location updates in multipath environments | |
CN114879222A (zh) | 一种基于自适应随机模型的全球电离层建模方法 | |
CN105527639A (zh) | 一种基于平滑与外推的卫星定位方法 | |
CN117092679B (zh) | 一种用于rtk模糊度固定判决的人工神经网络的训练方法 | |
US20230375717A1 (en) | Method and System for Predicting GNSS Geolocation Quality on Roads in Urban Environments | |
CN110907974B (zh) | 基于vrs差分的ppp模糊度快速固定方法及装置 | |
CN111538045A (zh) | 一种星载导航接收机在轨精度预先评估方法 |
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 |