CN117630999B - 一种基于自适应移动式空地协同增强定位方法及系统 - Google Patents
一种基于自适应移动式空地协同增强定位方法及系统 Download PDFInfo
- Publication number
- CN117630999B CN117630999B CN202410109037.1A CN202410109037A CN117630999B CN 117630999 B CN117630999 B CN 117630999B CN 202410109037 A CN202410109037 A CN 202410109037A CN 117630999 B CN117630999 B CN 117630999B
- Authority
- CN
- China
- Prior art keywords
- regional
- pseudolite
- space
- ground
- pseudolites
- 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 41
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000002787 reinforcement Effects 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 58
- 230000009471 action Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008929 regeneration Effects 0.000 claims description 6
- 238000011069 regeneration method Methods 0.000 claims description 6
- 230000006854 communication Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000007175 bidirectional communication Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于自适应移动式空地协同增强定位方法及系统,包括:S1:根据仿真数据和强化学习模型,输出空地伪卫星协同初始布局方案,并将初始布局方案发送给第二区域空基伪卫星、第一区域地基伪卫星,各个空基伪卫星、地基伪卫星依照布局方案进行布局;S2:第一区域地基伪卫星对第二区域空基伪卫星发送第一增强信号;S3:所述第二区域空基伪卫星接收所述第一增强信号,进行位置解算,调整第二区域空基伪卫星布局方案,生成并向第二区域地面终端播发第二增强信号;S4:第二区域地面终端接收所述第二增强信号,进行位置解算,定位。此方案解决了第二区域空基伪卫星和第一区域地基伪卫星之间的协同与容错率问题。
Description
技术领域
本发明属于导航技术领域,尤其涉及一种基于自适应移动式空地协同增强定位方法及系统。
背景技术
为了解决复杂电磁环境下导航信号拒止环境下的导航定位问题,目前国内外普遍采用伪卫星导航信号增强系统方式来提高导航定位精度和抗干扰能力,这需要在地面搭建一定数量的伪卫星及间自适应组网,能够在导航系统不可用时或可用性较低时,实现对覆盖区域内的终端进行授时及定位。但这种方案的定位精度受伪卫星布局方案的影响较大,一方面若第一区域地基伪卫星布局方案发生变化,而第二区域空基伪卫星的布局方案仍保持不变,二者没有自适应协同变化,那么整个系统的定位精度会受到很大影响;另一方面,若布局方案中的某一或某几个伪卫星出现故障,该区域定位也会受到极大影响,容错率较低。
发明内容
有鉴于此,本发明提供了一种基于自适应移动式空地协同增强定位方法及系统,旨在解决伪卫星布局方案的自适应空地协同以及容错率问题。本发明从伪卫星空地协同布局的角度入手,(1)利用强化学习提出了一种动态变化的伪卫星空地协同布局方案,根据第一区域地基伪卫星特征信息调整第二区域空基伪卫星的布局方案,提高了定位准确率;(2)针对伪卫星布局情况提出新的奖励函数,并在强化学习过程中增加扰动,动态考虑伪卫星数量和容错率之间的关系,模拟实际场景中伪卫星坏损的情况,提高了伪卫星布局方案的容错率。
为解决上述技术问题,本发明采用以下技术方案:
一种基于自适应移动式空地协同增强定位方法,包括以下步骤:
S1:根据仿真数据和强化学习模型,输出空地伪卫星协同初始布局方案,并将初始布局方案发送给第二区域空基伪卫星、第一区域地基伪卫星,各个空基伪卫星、地基伪卫星依照布局方案进行布局;所述仿真数据为模拟仿真信号(具备有设定的频率和波长);
S2:第一区域地基伪卫星对第二区域空基伪卫星发送第一增强信号;
S3:所述第二区域空基伪卫星接收所述第一增强信号,进行位置解算,调整第二区域空基伪卫星布局方案,生成并向第二区域地面终端播发第二增强信号;
S4:第二区域地面终端接收所述第二增强信号,进行位置解算,定位。
作为本发明的进一步改进方法:
进一步地,步骤S1中,所述强化学习模型,输出伪卫星空地协同布局方案,包括:
S11:定义状态空间、动作空间与特征空间;其中,状态空间包括:第一区域地基伪卫星的位置、第二区域空基伪卫星的位置、第二区域地面终端与任意2个第二区域空基伪卫星形成的夹角;动作空间包括两步,第一步选择任意1个第二区域空基伪卫星,第二步将所选的第二区域空基伪卫星进行向上、下、左、右、前、后运动和静止共7种运动状态模拟;特征空间包括:地面环境特征、第二区域地面终端的位置、第一区域地基伪卫星特征、第二区域空基伪卫星特征;
S12:构建策略函数:训练一个图卷积网络,作为强化学习的决策函数; 策略函数是强化学习的核心部分,可以据当前状态和可选动作输出智能体(伪卫星)的下一步动作;而利用图神经网络构建策略函数是由于图神经网络可以很好地处理以空基、第一区域地基伪卫星作为节点的图结构数据,并利用图中节点之间的拓扑关系和特征信息,学习节点的高层次表示;除此之外,图神经网络还可以适应动态变化的图结构,以模拟实际场景中某个第二区域空基伪卫星或第一区域地基伪卫星失效的情况,从而提高决策的灵活性和鲁棒性。
S13:设置奖励函数,计算方式为:
;
其中:
s是当前状态,包括第二区域空基伪卫星的位置;
a是当前动作,包括选定1颗第二区域空基伪卫星,并对其进行位置调整;
是权重系数,分别用于控制系统容错率、定位精度和信号覆盖范围这3个因素的重要程度;较高的/>值表示在系统中仍然可用的第二区域空基伪卫星的比例对系统性能的影响较大,控制容错率使系统在伪卫星失效或受干扰时依然能够保持稳定的定位性能;较高的/>值表示系统在执行动作后,定位误差的标准差对于奖励函数的影响较大,使系统更关注减小位置误差;较高的/>值表示系统在选择卫星和调整位置时更关注信号的覆盖范围;这三个权重系数使得系统在实际运行中能够根据具体需求和环境动态调整其行为,以达到整体性能的最优化。
F(s,a)为容错率函数,Q(s,a)为定位精度函数,C(s,a)为信号覆盖范围函数,以上函数的计算方式为:
;
其中,M是系统中第一区域地基伪卫星、第二区域空基伪卫星个数之和,m是执行动作a后失效或受干扰的伪卫星个数;F(s,a)表示在执行动作a后,系统中仍然可用的伪卫星个数占总伪卫星个数的比例。F(s,a)的值越大,表示系统可以承受更多的伪卫星失效或受干扰而不影响定位的可行性;
;
其中,σ是执行动作a后,系统定位与第二区域地面终端的位置的标准差;它是一个介于0和1之间的值,表示系统定位与第二区域地面终端的位置的误差,当σ趋近于0时,Q(s, a)趋近于1;当σ趋近于无穷时,Q(s,a)趋近于0;且Q(s,a)是凸函数,表示系统定位的精度对于σ的变化比较敏感,特别是当σ较小时;
;
其中,T是第二区域地面终端的数量,是第t个第二区域地面终端和第/>、两个第二区域空基伪卫星之间的角度;/>表示当每个第二区域地面终端与任意2个第二区域空基伪卫星形成的最小角度之和越大时,奖励越大,目的在于缓解第二区域空基伪卫星布局位置过近,导致第二区域地面终端不论选择哪组第二区域空基伪卫星,定位误差都较大的问题;
S14:强化学习训练;
S15:根据已经训练好的强化学习模型,将伪卫星信息输入到模型中,得到伪卫星的布局结果,并对布局结果进行实时调整。
进一步地,所述步骤S11包括:
S111:第一区域地基伪卫星特征包括:第一区域地基伪卫星的数量、第一区域地基伪卫星的二维位置、第一区域地基伪卫星的信号强度、第一区域地基伪卫星的载波相位、第一区域地基伪卫星的速度、第一区域地基伪卫星的加速度和第一区域地基伪卫星的星历参数;第一区域地基伪卫星的速度和加速度可以反映其运动状态,辅助第二区域空基伪卫星选择合适的动作,以便与第一区域地基伪卫星保持良好的信号连接,进行有效的协同定位,提高定位的精度和效率;
S112:第二区域空基伪卫星特征包括:第二区域空基伪卫星的数量、第二区域空基伪卫星的三维位置、第二区域空基伪卫星的信号强度、第二区域空基伪卫星的载波相位、第二区域空基伪卫星的速度、第二区域空基伪卫星的加速度和第二区域空基伪卫星的姿态;
S113:地面环境特征包括:障碍物数量、障碍物高度、障碍物位置、障碍物类型;障碍物相关信息限制了第一区域地基伪卫星的行驶路线;
S114:将第二区域空基伪卫星、第一区域地基伪卫星的特征作为节点,构建一个无向无权重的图G=(V,E),其中,V是节点集合,E是边集合,每个节点i有一个特征向量。
进一步地,所述步骤S12图卷积网络包括2个图神经网络和1个注意力机制,其中,第一个图神经网络用于对第二区域空基伪卫星的布局方案建模,第二个图神经网络用于对第一区域地基伪卫星的布局方案建模,注意力机制用于空地协同信息传递,具体步骤如下:
S121:定义第二区域空基伪卫星、第一区域地基伪卫星特征的输入矩阵,分别记为和/>,其中/>和/>分别是第二区域空基伪卫星、第一区域地基伪卫星节点的数量,/>和/>分别是第二区域空基伪卫星、第一区域地基伪卫星节点的特征维度;
S122:定义第二区域空基伪卫星、第一区域地基伪卫星的邻接矩阵,分别记为和/>,/>中的每个元素记为/>,/>的取值为常数或0,若取值为常数表示节点/>和/>之间有边相连且距离为此常数,若取值为0表示节点i和j之间不相连;
S123:对第二区域空基伪卫星、第一区域地基伪卫星特征分别进行图卷积操作,得到两组新的特征向量,分别记为和/>,其中,/>和/>是第二区域空基伪卫星、第一区域地基伪卫星节点图卷积后的特征维度,图卷积的公式为:
;
其中,是激活函数;/>是邻接矩阵/>加上单位矩阵/>;/>是对角矩阵,其元素为/>;/>是可学习的权重矩阵;X为第二区域空基伪卫星、第一区域地基伪卫星特征的输入矩阵;
S124:通过注意力机制将两组特征向量融合,得到最终的空地协同特征向量,记为,其中/>,注意力机制的公式为:
;
;
;
;
其中,是注意力函数,用于计算两个节点之间的注意力系数;是可学习的权重矩阵;/>表示图卷积操作后得到的特征向量;/>表示注意力分数,是最终的空地协同特征向量Z的第i行;/>表示向量拼接;LeakyReLU是一个带泄露项的线性整流函数;softmax是一个归一化函数,用于将注意力系数转化为概率分布;注意力机制可以根据每个节点的特征向量,计算出节点之间的相互关系,从而得到反映每个节点重要程度的注意力分数;通过注意力分数,第二区域空基伪卫星可以知道哪些第一区域地基伪卫星对于定位更有贡献,从而优先与它们进行信号交换和数据传输;同样,第一区域地基伪卫星也可以知道哪些第二区域空基伪卫星对于定位更有价值;在布局方案发生改变时,第二区域空基伪卫星、第一区域地基伪卫星会重新计算注意力分数,优先寻找附近分数最高的伪卫星,并调整自身位置,协助周围伪卫星共同完成定位。
S125:使用最终的空地协同特征向量Z来预测第二区域空基伪卫星的下一步动作,记为,其中/>是动作类别的数量,预测的公式为:
;
其中,和/>是可学习的权重矩阵和偏置向量;softmax是一个归一化函数,用于将预测值转化为概率分布;
S126:神经网络训练过程中,会增加扰动,进行第一区域地基伪卫星、第二区域空基伪卫星数量的随机减少。以模拟实际情况中个别伪卫星失效的情况;其中,扰动项在[-3,0]的整数中随机取值,且从-3到0的取值概率依次递增,概率之和为1。
进一步地,所述步骤S14包括:
S141:初始化GCN的参数;
S142:重复以下步骤直到收敛:
S1421:从任意GCN的节点i开始,根据GCN输出的策略函数选择并执行其中的一个动作a;
S1422:观察环境的反馈,得到下一个节点j和奖励r;
S1423:将(i,a,r,j)记录到轨迹τ中,如果j是终止节点,则结束本轮循环,否则将i更新为j,继续执行动作;
S1424:根据轨迹τ计算每个状态-动作对(s,a)的回报h,计算方式为:
;
其中,为折扣因子,是介于0和1之间的值,用来权衡当前奖励和未来奖励的重要性;较大的ε值表示更关注未来奖励,而较小的ε值表示更关注即时奖励,p为时间步,/>为在时间步p执行动作a后获得的奖励;
S1425:根据以下公式更新GCN的参数θ:
;
其中α是学习率,是策略函数关于参数θ的梯度,h是回报值。
进一步地,所述S2步骤中,第一区域地基伪卫星对第二区域空基伪卫星发送第一增强信号,包括:
S21:所述第一增强信号包括所述第一区域地基伪卫星的第一实时运动轨迹信息;其中,第一实时运动轨迹信息包括第一实时位置坐标、第一速度、第一加速度;第一增强信号输出信息包括:运动轨迹、用户位置、速度信息、信号强度和星历参数;
S22:每个空地协同伪卫星组包括1个第二区域空基伪卫星和不少于4个与其对应的第一区域地基伪卫星,所述第二区域空基伪卫星与第一区域地基伪卫星进行双向通信;所述第二区域空基伪卫星、第一区域地基伪卫星包括抗干扰处理模块;
S23:第一增强信号再生模块通过实时计算第一区域地基伪卫星的运动轨迹确定自身在WGS-84坐标系的坐标和速度信息并将其填到电文中,再根据第一增强信号发射时钟对应的码相位计数值后在本地复现码相位的本地模拟导航信号;
S24:各组所述第二区域空基伪卫星、第一区域地基伪卫星之间采用双向时间比对方法,进行时延处理;
S25:各组所述第二区域空基伪卫星、第一区域地基伪卫星在接收信号的同时,进行抗干扰抗欺骗处理;
S26:各组所述第二区域空基伪卫星、第一区域地基伪卫星之间通过载波信号建立空间通信链路,预设测量帧的识别标识,实时识别并精确测量其帧同步码的末位下降沿出发及到达时刻的绝对时间,根据所述测量帧的出发及到达时刻绝对时间测量值,计算出该时刻的距离;
S27:所述第二区域空基伪卫星预设反馈机制,当接收所述第一增强信号不够满足位置解算时,发送异常信息给监控系统。
进一步地,所述S3步骤中,第二区域空基伪卫星接收所述第一增强信号,进行位置解算,调整第二区域空基伪卫星布局方案,生成并向第二区域地面终端播发第二增强信号,第二增强信号生成步骤具体包括:
S31:任意一个所述第二区域空基伪卫星通过接收至少4个第一区域地基伪卫星发送的所述第一增强信号,实时解算所述第二区域空基伪卫星的第二运动轨迹信息,所述第二运动轨迹信息包括第二实时位置坐标、第二速度、第二加速度,根据所述第二运动轨迹信息实时生成所述第二增强信号;
S32:生成所述第二增强信号同步生成并向所述第二区域播发导航欺骗干扰信号;
S33:所述第一增强信号、所述第二增强信号采用不同的频段;
S34:所述第一增强信号、所述第二增强信号均包括访问扰动信息;
S35:第二增强信号再生模块,在接收第一增强信号后,对实时位置坐标进行解算。
进一步地,所述步骤S4中,第二区域地面终端接收所述第二增强信号,进行位置解算与定位,具体包括:
S41:所述第二区域地面终端为使用普通的轨道卫星系统接收机或其他兼容设备,可以同时接收轨道卫星系统信号和第二增强信号;
S42:所述位置解算为使用最小二乘法,根据接收到的轨道卫星系统信号和第二增强信号,求解出第二区域地面终端的位置坐标和钟差;
S43:所述定位为根据求解出的位置坐标和钟差,得到第二区域地面终端在指定坐标系下的位置信息。
本发明第二方面公开的基于自适应移动式空地协同增强定位系统,所述协同增强定位系统包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器配置为运行所述计算机程序时,执行上述方法的步骤。
存储器:存储本系统运行所需的卫星布局信息、卫星数目、扰动信息和访问指令;
以实现上述移动式空地协同增强定位方法。
有益效果
与现有技术相比,本发明的优点在于:
将第二区域空基伪卫星、第一区域地基伪卫星与第二区域地面终端视为节点对其建模,考虑三者之间的拓扑关系,通过图卷积的方式提取各个第二区域空基伪卫星、第一区域地基伪卫星节点之间的特征,并通过注意力机制将节点特征融合,提高了节点特征的表示能力。
在强化学习方面,针对伪卫星布局情况提出新的奖励函数,并在强化学习过程中增加扰动,综合考虑定位精度、容错率与定位范围之间的关系,模拟实际场景中伪卫星坏损的情况,提高了伪卫星布局方案的容错率;在本发明中,所述容错率是指通信定位中继的保障率,即容错率低是指通信定位中断率高。
在空地协同方面,采用图神经网络构建策略函数,并采用注意力机制进行空地协同布局的信息交互,使得强化学习系统能够根据当前空地协同布局方案,自适应地对第二区域空基伪卫星的位置做出调整,实现空地协同,提高定位效果。
奖励函数通过权重系数的灵活调整,能够综合考虑容错率、定位精度和信号覆盖范围三个重要因素,提升了协同定位系统在多地面终端情况下的整体性能,实现了更为鲁棒、精准和适应性强的协同定位效果。
通过引入强化学习算法,本方案具备了自适应调整空地协同伪卫星布局的能力,有效改善了传统方案中地基伪卫星布局变化对整体系统定位精度的负面影响。此外,通过对伪卫星布局的智能优化,系统能够更灵活地应对伪卫星故障,提高了定位系统的容错率,进而使得整个系统更具弹性和稳定性,为复杂电磁环境下的导航信号提供了创新性解决方案。
附图说明
图1是本发明实施例提供的移动式空地协同增强定位方法的流程图。
图2是本发明实施例提供的伪卫星导航信号定位方法流程图。
图3是本发明实施例提供的伪卫星布局策略函数流程图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
实施例1:
一种基于自适应移动式空地协同增强定位方法,如图1所示,包括以下步骤:
S1:根据仿真数据和强化学习模型,输出空地伪卫星协同初始布局方案,并将初始布局方案发送给第二区域空基伪卫星、第一区域地基伪卫星,各个空基伪卫星、地基伪卫星依照布局方案进行布局;
进一步地,所述S1步骤中强化学习模型,输出伪卫星空地协同布局方案,包括:
S11:定义状态空间、动作空间与特征空间;其中,状态空间包括:第一区域地基伪卫星的位置、第二区域空基伪卫星的位置、第二区域地面终端与任意2个第二区域空基伪卫星形成的夹角;动作空间包括两步,第一步选择任意1个第二区域空基伪卫星,第二步将所选的第二区域空基伪卫星进行向上、下、左、右、前、后运动和静止共7种运动状态模拟;特征空间包括:地面环境特征、第二区域地面终端的位置、第一区域地基伪卫星特征、第二区域空基伪卫星特征。
进一步地,所述步骤S11包括:
S111:第一区域地基伪卫星特征包括:第一区域地基伪卫星的数量、第一区域地基伪卫星的二维位置、第一区域地基伪卫星的信号强度、第一区域地基伪卫星的载波相位、第一区域地基伪卫星的速度、第一区域地基伪卫星的加速度和第一区域地基伪卫星的星历参数;第一区域地基伪卫星的速度和加速度可以反映其运动状态,辅助第二区域空基伪卫星选择合适的动作,以便与第一区域地基伪卫星保持良好的信号连接,进行有效的协同定位,提高定位的精度和效率。
S112:第二区域空基伪卫星特征包括:第二区域空基伪卫星的数量、第二区域空基伪卫星的三维位置、第二区域空基伪卫星的信号强度、第二区域空基伪卫星的载波相位、第二区域空基伪卫星的速度、第二区域空基伪卫星的加速度和第二区域空基伪卫星的姿态。
S113:地面环境特征包括:障碍物数量、障碍物高度、障碍物位置、障碍物类型;障碍物相关信息限制了第一区域地基伪卫星的行驶路线。
S114:将第二区域空基伪卫星、第一区域地基伪卫星的特征作为节点,构建一个无向无权重的图G=(V,E),其中,V是节点集合,E是边集合,每个节点i有一个特征向量。
S12:构建策略函数:训练一个图卷积网络,作为强化学习的决策函数;如图3所示,策略函数是强化学习的核心部分,可以据当前状态和可选动作输出智能体(伪卫星)的下一步动作;而利用图神经网络构建策略函数是由于图神经网络可以很好地处理以空基、第一区域地基伪卫星作为节点的图结构数据,并利用图中节点之间的拓扑关系和特征信息,学习节点的高层次表示;除此之外,图神经网络还可以适应动态变化的图结构,以模拟实际场景中某个第二区域空基伪卫星或第一区域地基伪卫星失效的情况,从而提高决策的灵活性和鲁棒性。
进一步地,所述神经网络包括2个图神经网络和1个注意力机制。其中,第一个图神经网络用于对第二区域空基伪卫星的布局方案建模,第二个图神经网络用于对第一区域地基伪卫星的布局方案建模,注意力机制用于空地协同信息传递。具体步骤如下:
S121:定义第二区域空基伪卫星、第一区域地基伪卫星特征的输入矩阵,分别记为和/>,其中/>和/>分别是第二区域空基伪卫星、第一区域地基伪卫星节点的数量,/>和/>分别是第二区域空基伪卫星、第一区域地基伪卫星节点的特征维度。
S122:定义第二区域空基伪卫星、第一区域地基伪卫星的邻接矩阵,分别记为和/>,/>中的每个元素记为/>,/>的取值为常数或0,若取值为常数表示节点i和j之间有边相连且距离为此常数,若取值为0表示节点/>和/>之间不相连;
S123:对第二区域空基伪卫星、第一区域地基伪卫星特征分别进行图卷积操作,得到两组新的特征向量,分别记为和/>,其中,/>和/>是第二区域空基伪卫星、第一区域地基伪卫星节点图卷积后的特征维度,图卷积的公式为:
;
其中,是激活函数;/>是邻接矩阵/>加上单位矩阵/>;/>是对角矩阵,其元素为/>;/>是可学习的权重矩阵;X为第二区域空基伪卫星、第一区域地基伪卫星特征的输入矩阵。
S124:通过注意力机制将两组特征向量融合,得到最终的空地协同特征向量,记为,其中/>,注意力机制的公式为:
;
;
;
;
其中,是注意力函数,用于计算两个节点之间的注意力系数;是可学习的权重矩阵;/>表示图卷积操作后得到的特征向量;/>表示注意力分数,是最终的空地协同特征向量Z的第i行;/>表示向量拼接;LeakyReLU是一个带泄露项的线性整流函数;softmax是一个归一化函数,用于将注意力系数转化为概率分布;注意力机制可以根据每个节点的特征向量,计算出节点之间的相互关系,从而得到反映每个节点重要程度的注意力分数;通过注意力分数,第二区域空基伪卫星可以知道哪些第一区域地基伪卫星对于定位更有贡献,从而优先与它们进行信号交换和数据传输;同样,第一区域地基伪卫星也可以知道哪些第二区域空基伪卫星对于定位更有价值;在布局方案发生改变时,空基、第一区域地基伪卫星会重新计算注意力分数,优先寻找附近分数最高的伪卫星,并调整自身位置,协助周围伪卫星共同完成定位。
例如:假设变化前用于定位的第二区域空基伪卫星共有4颗,经图卷积操作、注意力机制计算后,其注意力分数分别为:0.35、0.25、0.3、0.1;
此时,第二区域地面终端的位置发生变化,且第一区域地基伪卫星为了向第二区域地面终端提供定位,其位置也发生变化,则这种位置上的变化将导致图神经网络中各个节点之间的距离和相对速度等参数改变,进而导致图卷积操作时得到的特征向量发生改变,最终导致此时会得到新的注意力分数;
设变化后4颗空基伪卫星的注意力分数分别为:0.25、0.2、0.45、0.1,可以看出:
1号、2号第二区域空基伪卫星的注意力分数下降,表示它与第一区域地基伪卫星之间的信息交流减少,对于定位的贡献降低;
3号第二区域空基伪卫星的注意力分数上升,表示它与第一区域地基伪卫星之间的信息交流增加,对于定位的价值提高;
4号第二区域空基伪卫星的注意力分数不变;
因此系统会倾向选择3号第二区域空基伪卫星作为执行动作的对象,并对其进行位置调整,以提高定位的精度和效率,实现空地协同定位;
S125:使用最终的空地协同特征向量Z来预测第二区域空基伪卫星的下一步动作,记为,其中/>是动作类别的数量,预测的公式为:
;
其中,和/>是可学习的权重矩阵和偏置向量;softmax是一个归一化函数,用于将预测值转化为概率分布;
S126:神经网络训练过程中,会增加扰动,进行第一区域地基伪卫星、第二区域空基伪卫星数量的随机减少;以模拟实际情况中个别伪卫星失效的情况;其中,扰动项在[-3,0]的整数中随机取值,且从-3到0的取值概率依次递增,概率之和为1。
S13:设置奖励函数,计算方式为:
;
其中:
s是当前状态,包括第二区域空基伪卫星的位置;
a是当前动作,包括选定1颗第二区域空基伪卫星,并对其进行位置调整;
是权重系数;分别用于控制系统容错率、定位精度和信号覆盖范围这3个因素的重要程度;
例如,若非常关注系统容错率,但不是很关注定位覆盖范围,给分别赋值为0.8、0.1、0.05,则:
如果空地协同系统在某个状态和动作下,F(s,a)=0.9,Q(s,a)=0.6,C(s,a)=0.4,则此时奖励函数的值为:
若更关注覆盖范围,而不关注容错率,给分别赋值为0.05、0.1、0.8,则:
如果空地协同系统在同一状态和动作下,F(s,a)=0.9,Q(s,a)=0.6,C(s,a)=0.4,则此时奖励函数的值为:
可以看出,权值设定不同,会导致奖励函数值不同,进而导致智能体训练方向不同;最终可能训练出覆盖范围很广的空地协同布局方案或容错率很高的布局方案;也可以通过适当调整/>的值,兼顾系统容错率、定位精度和定位覆盖范围;
F(s,a)为容错率函数,Q(s,a)为定位精度函数,C(s,a)为信号覆盖范围函数,以上函数的计算方式为:
其中,M是系统中第一区域地基伪卫星、第二区域空基伪卫星个数之和,m是执行动作a后失效或受干扰的伪卫星个数;F(s,a)表示在执行动作a后,系统中仍然可用的伪卫星个数占总伪卫星个数的比例。F(s,a)的值越大,表示系统可以承受更多的伪卫星失效或受干扰而不影响定位的可行性;
例如,假设系统中共有4颗第二区域空基伪卫星和4颗第一区域地基伪卫星,目前的状态是6颗卫星可用,2颗卫星失效或不可用,则此时,经过动作一,例如“某颗伪卫星远离第二区域地面终端”之后,状态变为5颗卫星可用,3颗卫星失效或不可用,则此时/>,容错率降低;
若经过动作二,例如“某颗伪卫星靠近第二区域地面终端”之后,状态变为7颗卫星可用,1颗卫星失效或不可用,则此时,容错率提高;
作为奖励函数,对于智能体(伪卫星)而言,执行动作二的奖励大于动作一的奖励,因此系统会更倾向于选择执行动作二,也就是容错率较高的方向进行,以实现高容错率方案的空地协同伪卫星定位;
其中,σ是执行动作a后,系统定位与第二区域地面终端的位置的标准差;它是一个介于0和1之间的值,表示系统定位与第二区域地面终端的位置的误差,当σ趋近于0时,Q(s, a)趋近于1;当σ趋近于无穷时,Q(s,a)趋近于0;且Q(s,a)是凸函数,表示系统定位的精度对于σ的变化比较敏感,特别是当σ较小时;
例如:假设执行动作a后,系统定位与第二区域地面终端的位置的标准差σ分别为0.1, 0.5, 1, 2, 5, 10。那么对应的Q(s,a)分别为:0.990、0.800、0.500、0.200、0.038、0.010;可以看出,当σ从0.1增加到0.5时,Q(s,a)下降了19%;当σ从0.5增加到1时,Q(s,a)下降了30%;当σ从1增加到2时,Q(s,a)下降了30%;当σ从2增加到5时,Q(s,a)下降了16%;当σ从5增加到10时,Q(s,a)下降了28%。这说明系统定位的精度对于σ的变化比较敏感,特别是当σ较小时。
其中,T是第二区域地面终端的数量,是第t个第二区域地面终端和第/>、两个第二区域空基伪卫星之间的角度;/>表示当每个第二区域地面终端与任意2个第二区域空基伪卫星形成的最小角度之和越大时,奖励越大,目的在于缓解第二区域空基伪卫星布局位置过近,导致第二区域地面终端不论选择哪组第二区域空基伪卫星,定位误差都较大的问题,进而使得第二区域空基伪卫星布局在一定限度内尽量分散开,增加系统的定位面积;
例如:假设有4个第二区域地面终端,每个第二区域地面终端与任意2个第二区域空基伪卫星形成的最小角度之和分别为20°、60°、55°、35°,求和为170°,,在第二区域空基伪卫星运动之后,每个第二区域地面终端与任意2个第二区域空基伪卫星形成的最小角度之和发生变化,分别为:30°、55°、60°、40°,求和为185°,则系统会认为第二区域空基伪卫星的这次运动,对于缓解第二区域空基伪卫星布局位置过近,增大系统定位覆盖面积,提高定位精度起到了积极作用,并给予相应奖励;
S14:强化学习训练;
进一步地,所述步骤S14,具体包括:
S141:初始化GCN的参数;
S142:重复以下步骤直到收敛:
S1421:从任意GCN的节点i开始,根据GCN输出的策略函数选择并执行其中的一个动作a;
S1422:观察环境的反馈,得到下一个节点j和奖励r;
S1423:将(i,a,r,j)记录到轨迹τ中,如果j是终止节点,则结束本轮循环,否则将i更新为j,继续执行动作;
S1424:根据轨迹τ计算每个状态-动作对(s,a)的回报h,计算方式为:
其中,为折扣因子,是介于0和1之间的值,用来权衡当前奖励和未来奖励的重要性;较大的ε值表示更关注未来奖励,而较小的ε值表示更关注即时奖励,p为时间步,/>为在时间步p执行动作a后获得的奖励;
S1425:根据以下公式更新GCN的参数θ:
其中α是学习率,是策略函数关于参数θ的梯度,h是回报值。
S15:根据已经训练好的强化学习模型,将伪卫星信息输入到模型中,得到伪卫星的布局结果,并对布局结果进行实时调整。
S2:第一区域地基伪卫星对第二区域空基伪卫星发送第一增强信号;
进一步地,所述S2步骤中,第一区域地基伪卫星对第二区域空基伪卫星发送第一增强信号,包括:
S21:所述第一增强信号包括所述第一区域地基伪卫星的第一实时运动轨迹信息;其中,第一实时运动轨迹信息包括第一实时位置坐标、第一速度、第一加速度;第一增强信号输出信息包括:运动轨迹、用户位置、速度信息、信号强度和星历参数。
S22:每个空地协同伪卫星组包括1个第二区域空基伪卫星和不少于4个与其对应的第一区域地基伪卫星,所述第二区域空基伪卫星与第一区域地基伪卫星进行双向通信;所述第二区域空基伪卫星、第一区域地基伪卫星包括抗干扰处理模块。
S23:第一增强信号再生模块通过实时计算第一区域地基伪卫星的运动轨迹确定自身在WGS-84坐标系的坐标和速度信息并将其填到电文中,再根据第一增强信号发射时钟对应的码相位计数值后在本地复现码相位的本地模拟导航信号。
S24:各组所述第二区域空基伪卫星、第一区域地基伪卫星之间采用双向时间比对方法,进行时延处理;
S25:各组所述第二区域空基伪卫星、第一区域地基伪卫星在接收信号的同时,进行抗干扰抗欺骗处理;
S26:各组所述第二区域空基伪卫星、第一区域地基伪卫星之间通过载波信号建立空间通信链路,预设测量帧的识别标识,实时识别并精确测量其帧同步码的末位下降沿出发及到达时刻的绝对时间,根据所述测量帧的出发及到达时刻绝对时间测量值,计算出该时刻的距离;
S27:所述第二区域空基伪卫星预设反馈机制,当接收所述第一增强信号不够满足位置解算时,发送异常信息给监控系统。
S3:所述第二区域空基伪卫星接收所述第一增强信号,进行位置解算,调整第二区域空基伪卫星布局方案,生成并向第二区域地面终端播发第二增强信号,如图2所示;
进一步地,所述S3步骤中,第二区域空基伪卫星接收所述第一增强信号,进行位置解算,调整第二区域空基伪卫星布局方案,生成并向第二区域地面终端播发第二增强信号,第二增强信号生成步骤具体包括:
S31:任意一个所述第二区域空基伪卫星通过接收至少4个第一区域地基伪卫星发送的所述第一增强信号,实时解算所述第二区域空基伪卫星的第二运动轨迹信息,所述第二运动轨迹信息包括第二实时位置坐标、第二速度、第二加速度,根据所述第二运动轨迹信息实时生成所述第二增强信号。
S32:生成所述第二增强信号同步生成并向所述第二区域播发导航欺骗干扰信号。
S33:所述第一增强信号、所述第二增强信号采用不同的频段。
S34:所述第一增强信号、所述第二增强信号均包括访问扰动信息。
S35:同理,第二增强信号再生模块,在接收第一增强信号后,对实时位置坐标进行解算。
S4:第二区域地面终端接收所述第二增强信号,进行位置解算,定位。
进一步地,所述S4步骤中,第二区域地面终端接收所述第二增强信号,进行位置解算与定位,具体包括:
S41:所述第二区域地面终端为使用普通的轨道卫星系统接收机或其他兼容设备,可以同时接收轨道卫星系统信号和第二增强信号。
S42:所述位置解算为使用最小二乘法,根据接收到的轨道卫星系统信号和第二增强信号,求解出第二区域地面终端的位置坐标和钟差。
S43:所述定位为根据求解出的位置坐标和钟差,得到第二区域地面终端在指定坐标系下的位置信息。
本发明的基于自适应移动式空地协同增强定位方法,在结构布局上采用强化学习,提出了一种动态变化的伪卫星空地协同布局方案,根据空地特征信息不断调整伪卫星的布局方案,提高了定位准确率;针对伪卫星布局情况提出新的奖励函数,在强化学习过程中增加扰动,动态考虑伪卫星数量和容错率之间的关系,模拟实际场景中伪卫星坏损的情况,提高了伪卫星布局方案的容错率。
实施例
一种基于自适应移动式空地协同增强定位系统,所述协同增强定位系统包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器配置为运行所述计算机程序时,执行实施例1方法的步骤。
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反,词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即,除非另外指定或从上下文中清楚,“X使用A或B”意指自然包括排列的任意一个。即,如果X使用A;X使用B;或X使用A和B二者,则“X使用A或B”在前述任一示例中得到满足。
而且,尽管已经相对于一个或实现方式示出并描述了本公开,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外,尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开,但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且,就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言,这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器,磁盘或光盘等。上述的各装置或系统,可以执行相应方法实施例中的存储方法。
综上所述,上述实施例为本发明的一种实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于自适应移动式空地协同增强定位方法,其特征在于,包括以下步骤:
S1:根据仿真数据和强化学习模型,输出空地伪卫星协同初始布局方案,并将初始布局方案发送给第二区域空基伪卫星、第一区域地基伪卫星,各个空基伪卫星、地基伪卫星依照布局方案进行布局;步骤S1中,包括:
S11:定义状态空间、动作空间与特征空间;其中,状态空间包括:第一区域地基伪卫星的位置、第二区域空基伪卫星的位置、第二区域地面终端与任意2个第二区域空基伪卫星形成的夹角;动作空间包括两步,第一步选择任意1个第二区域空基伪卫星,第二步将所选的第二区域空基伪卫星进行向上、下、左、右、前、后运动和静止共7种运动状态模拟;特征空间包括:地面环境特征、第二区域地面终端的位置、第一区域地基伪卫星特征、第二区域空基伪卫星特征;
S12:构建策略函数:训练一个图卷积网络,作为强化学习的决策函数;
S13:设置奖励函数,计算方式为:
;
其中:
s是当前状态,包括第二区域空基伪卫星的位置;
a是当前动作,包括选定1颗第二区域空基伪卫星,并对其进行位置调整;
是权重系数;
F(s,a)为容错率函数,Q(s,a)为定位精度函数,C(s,a)为信号覆盖范围函数,以上函数的计算方式为:
;
其中,M是系统中第一区域地基伪卫星、第二区域空基伪卫星个数之和,m是执行动作a后失效或受干扰的伪卫星个数;
;
其中,σ是执行动作a后,系统定位与第二区域地面终端的位置的标准差;
;
其中,T是第二区域地面终端的数量,是第t个第二区域地面终端和第/>、/>两个第二区域空基伪卫星之间的角度;
S14:强化学习训练;
S15:根据已经训练好的强化学习模型,将伪卫星信息输入到模型中,得到伪卫星的布局结果,并对布局结果进行实时调整;
S2:第一区域地基伪卫星对第二区域空基伪卫星发送第一增强信号;
S3:所述第二区域空基伪卫星接收所述第一增强信号,进行位置解算,调整第二区域空基伪卫星布局方案,生成并向第二区域地面终端播发第二增强信号;
S4:第二区域地面终端接收所述第二增强信号,进行位置解算,定位。
2.根据权利要求1所述的基于自适应移动式空地协同增强定位方法,其特征在于,所述步骤S11包括:
S111:第一区域地基伪卫星特征包括:第一区域地基伪卫星的数量、第一区域地基伪卫星的二维位置、第一区域地基伪卫星的信号强度、第一区域地基伪卫星的载波相位、第一区域地基伪卫星的速度、第一区域地基伪卫星的加速度和第一区域地基伪卫星的星历参数;
S112:第二区域空基伪卫星特征包括:第二区域空基伪卫星的数量、第二区域空基伪卫星的三维位置、第二区域空基伪卫星的信号强度、第二区域空基伪卫星的载波相位、第二区域空基伪卫星的速度、第二区域空基伪卫星的加速度和第二区域空基伪卫星的姿态;
S113:地面环境特征包括:障碍物数量、障碍物高度、障碍物位置、障碍物类型;
S114:将第二区域空基伪卫星、第一区域地基伪卫星的特征作为节点,构建一个无向无权重的图G=(V,E),其中,V是节点集合,E是边集合,每个节点i有一个特征向量。
3.根据权利要求1所述的基于自适应移动式空地协同增强定位方法,其特征在于,所述步骤S12图卷积网络包括2个图神经网络和1个注意力机制,具体步骤如下:
S121:定义第二区域空基伪卫星、第一区域地基伪卫星特征的输入矩阵,分别记为和/>,其中/>和/>分别是第二区域空基伪卫星、第一区域地基伪卫星节点的数量,/>和/>分别是第二区域空基伪卫星、第一区域地基伪卫星节点的特征维度;
S122:定义第二区域空基伪卫星、第一区域地基伪卫星的邻接矩阵,分别记为和/>,/>中的每个元素记为/>,/>的取值为常数或0,若取值为常数表示节点i和j之间有边相连且距离为此常数,若取值为0表示节点/>和/>之间不相连;
S123:对第二区域空基伪卫星、第一区域地基伪卫星特征分别进行图卷积操作,得到两组新的特征向量,分别记为和/>,其中,/>和/>是第二区域空基伪卫星、第一区域地基伪卫星节点图卷积后的特征维度,图卷积的公式为:
;
其中,是激活函数;/>是邻接矩阵/>加上单位矩阵/>;/>是对角矩阵,其元素为/>;/>是可学习的权重矩阵;X为第二区域空基伪卫星、第一区域地基伪卫星特征的输入矩阵;
S124:通过注意力机制将两组特征向量融合,得到最终的空地协同特征向量,记为,其中/>,注意力机制的公式为:
;
;
;
;
其中,是注意力函数,用于计算两个节点之间的注意力系数;是可学习的权重矩阵;/>表示图卷积操作后得到的特征向量;/>表示注意力分数,是最终的空地协同特征向量Z的第i行;/>表示向量拼接;LeakyReLU是一个带泄露项的线性整流函数;softmax是一个归一化函数,用于将注意力系数转化为概率分布;
S125:使用最终的空地协同特征向量Z来预测空基伪卫星的下一步动作,记为,其中/>是动作类别的数量,预测的公式为:
;
其中,和/>是可学习的权重矩阵和偏置向量;softmax是一个归一化函数,用于将预测值转化为概率分布;
S126:神经网络训练过程中,会增加扰动,进行地基伪卫星、空基伪卫星数量的随机减少。
4.根据权利要求3所述的基于自适应移动式空地协同增强定位方法,其特征在于,所述步骤S14包括:
S141:初始化GCN的参数;
S142:重复以下步骤直到收敛:
S1421:从任意GCN的节点i开始,根据GCN输出的策略函数选择并执行其中的一个动作a;
S1422:观察环境的反馈,得到下一个节点j和奖励r;
S1423:将(i,a,r,j)记录到轨迹τ中,如果j是终止节点,则结束本轮循环,否则将i更新为j,继续执行动作;
S1424:根据轨迹τ计算每个状态-动作对(s,a)的回报h,计算方式为:
;
其中,为折扣因子,p为时间步,/>为在时间步p执行动作a后获得的奖励;
S1425:根据以下公式更新GCN的参数θ:
;
其中α是学习率,是策略函数关于参数θ的梯度,h是回报值。
5.根据权利要求4所述的基于自适应移动式空地协同增强定位方法,其特征在于,所述S2步骤中,第一区域地基伪卫星对第二区域空基伪卫星发送第一增强信号,包括:
S21:所述第一增强信号包括所述第一区域地基伪卫星的第一实时运动轨迹信息;其中,第一实时运动轨迹信息包括第一实时位置坐标、第一速度、第一加速度;第一增强信号输出信息包括:运动轨迹、用户位置、速度信息、信号强度和星历参数;
S22:每个空地协同伪卫星组包括1个第二区域空基伪卫星和不少于4个与其对应的第一区域地基伪卫星,所述第二区域空基伪卫星与第一区域地基伪卫星进行双向通信;所述第二区域空基伪卫星、第一区域地基伪卫星包括抗干扰处理模块;
S23:第一增强信号再生模块通过实时计算第一区域地基伪卫星的运动轨迹确定自身在WGS-84坐标系的坐标和速度信息并将其填到电文中,再根据第一增强信号发射时钟对应的码相位计数值后在本地复现码相位的本地模拟导航信号;
S24:各组所述第二区域空基伪卫星、第一区域地基伪卫星之间采用双向时间比对方法,进行时延处理;
S25:各组所述第二区域空基伪卫星、第一区域地基伪卫星在接收信号的同时,进行抗干扰抗欺骗处理;
S26:各组所述第二区域空基伪卫星、第一区域地基伪卫星之间通过载波信号建立空间通信链路,预设测量帧的识别标识,实时识别并精确测量其帧同步码的末位下降沿出发及到达时刻的绝对时间,根据所述测量帧的出发及到达时刻绝对时间测量值,计算出该时刻的距离;
S27:所述第二区域空基伪卫星预设反馈机制,当接收所述第一增强信号不够满足位置解算时,发送异常信息给监控系统。
6.根据权利要求5所述的基于自适应移动式空地协同增强定位方法,其特征在于,所述S3步骤中,第二区域空基伪卫星接收所述第一增强信号,进行位置解算,调整第二区域空基伪卫星布局方案,生成并向第二区域地面终端播发第二增强信号,第二增强信号生成步骤具体包括:
S31:任意一个所述第二区域空基伪卫星通过接收至少4个第一区域地基伪卫星发送的所述第一增强信号,实时解算所述第二区域空基伪卫星的第二运动轨迹信息,所述第二运动轨迹信息包括第二实时位置坐标、第二速度、第二加速度,根据所述第二运动轨迹信息实时生成所述第二增强信号;
S32:生成所述第二增强信号同步生成并向所述第二区域播发导航欺骗干扰信号;
S33:所述第一增强信号、所述第二增强信号采用不同的频段;
S34:所述第一增强信号、所述第二增强信号均包括访问扰动信息;
S35:第二增强信号再生模块,在接收第一增强信号后,对实时位置坐标进行解算。
7.根据权利要求6所述的基于自适应移动式空地协同增强定位方法,其特征在于,所述步骤S4中,第二区域地面终端接收所述第二增强信号,进行位置解算与定位,具体包括:
S41:所述第二区域地面终端为使用普通的轨道卫星系统接收机或其他兼容设备,可以同时接收轨道卫星系统信号和第二增强信号;
S42:所述位置解算为使用最小二乘法,根据接收到的轨道卫星系统信号和第二增强信号,求解出第二区域地面终端的位置坐标和钟差;
S43:所述定位为根据求解出的位置坐标和钟差,得到第二区域地面终端在指定坐标系下的位置信息。
8.一种基于自适应移动式空地协同增强定位系统,其特征在于:
所述协同增强定位系统包括:处理器和配置为存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器配置为运行所述计算机程序时,执行权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109037.1A CN117630999B (zh) | 2024-01-26 | 2024-01-26 | 一种基于自适应移动式空地协同增强定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109037.1A CN117630999B (zh) | 2024-01-26 | 2024-01-26 | 一种基于自适应移动式空地协同增强定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117630999A CN117630999A (zh) | 2024-03-01 |
CN117630999B true CN117630999B (zh) | 2024-04-05 |
Family
ID=90030781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410109037.1A Active CN117630999B (zh) | 2024-01-26 | 2024-01-26 | 一种基于自适应移动式空地协同增强定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117630999B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473032B1 (en) * | 2001-03-18 | 2002-10-29 | Trimble Navigation, Ltd | Network of non-cooperative integrated pseudolite/satellite base station transmitters |
CN106772487A (zh) * | 2016-12-22 | 2017-05-31 | 格星微电子科技成都有限公司 | 一种基于伪点的伪卫星室内导航方法 |
US10700768B1 (en) * | 2019-12-31 | 2020-06-30 | Holloway H. Frost | Reconfigurable wireless radio system for providing massive bandwidth to the sky using a limited number of frequencies and limited hardware |
CN111948675A (zh) * | 2020-07-10 | 2020-11-17 | 中国人民解放军61081部队 | 一种地基增强卫星导航系统的伪卫星布设方法 |
CN112651917A (zh) * | 2020-12-28 | 2021-04-13 | 北京信息科技大学 | 一种基于生成对抗网络的空间卫星低照度图像增强方法 |
CN113064182A (zh) * | 2021-03-16 | 2021-07-02 | 湖南矩阵电子科技有限公司 | 伪卫星导航信号增强系统及方法 |
CN113820730A (zh) * | 2021-08-30 | 2021-12-21 | 厦门大学 | 一种室内定位系统 |
CN115166781A (zh) * | 2022-08-02 | 2022-10-11 | 中国电子科技集团公司第五十四研究所 | 一种天地协同pnt网络完好性监测方法 |
CN116299597A (zh) * | 2023-05-18 | 2023-06-23 | 北京航空航天大学 | 一种基于改进粒子滤波算法的导航增强协同定位方法 |
CN116559912A (zh) * | 2023-02-17 | 2023-08-08 | 中国科学院空天信息创新研究院 | 融合地基gnss水平梯度的空基掩星大气反演系统构建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7508341B2 (en) * | 2002-03-16 | 2009-03-24 | Eads Astrium Gmbh | Method and arrangements for the transmission of pseudolite trajectories within navigation data of a satellite navigation system |
US9490893B2 (en) * | 2013-09-26 | 2016-11-08 | The Boeing Company | Interference suppression in a satellite communication system using onboard beamforming and ground-based processing |
WO2017154131A1 (ja) * | 2016-03-09 | 2017-09-14 | 三菱電機株式会社 | 測位装置および測位方法 |
US20230333264A1 (en) * | 2022-04-15 | 2023-10-19 | Cisco Technology, Inc. | Collaborative geolocation estimation |
-
2024
- 2024-01-26 CN CN202410109037.1A patent/CN117630999B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473032B1 (en) * | 2001-03-18 | 2002-10-29 | Trimble Navigation, Ltd | Network of non-cooperative integrated pseudolite/satellite base station transmitters |
CN106772487A (zh) * | 2016-12-22 | 2017-05-31 | 格星微电子科技成都有限公司 | 一种基于伪点的伪卫星室内导航方法 |
US10700768B1 (en) * | 2019-12-31 | 2020-06-30 | Holloway H. Frost | Reconfigurable wireless radio system for providing massive bandwidth to the sky using a limited number of frequencies and limited hardware |
CN111948675A (zh) * | 2020-07-10 | 2020-11-17 | 中国人民解放军61081部队 | 一种地基增强卫星导航系统的伪卫星布设方法 |
CN112651917A (zh) * | 2020-12-28 | 2021-04-13 | 北京信息科技大学 | 一种基于生成对抗网络的空间卫星低照度图像增强方法 |
CN113064182A (zh) * | 2021-03-16 | 2021-07-02 | 湖南矩阵电子科技有限公司 | 伪卫星导航信号增强系统及方法 |
CN113820730A (zh) * | 2021-08-30 | 2021-12-21 | 厦门大学 | 一种室内定位系统 |
CN115166781A (zh) * | 2022-08-02 | 2022-10-11 | 中国电子科技集团公司第五十四研究所 | 一种天地协同pnt网络完好性监测方法 |
CN116559912A (zh) * | 2023-02-17 | 2023-08-08 | 中国科学院空天信息创新研究院 | 融合地基gnss水平梯度的空基掩星大气反演系统构建方法 |
CN116299597A (zh) * | 2023-05-18 | 2023-06-23 | 北京航空航天大学 | 一种基于改进粒子滤波算法的导航增强协同定位方法 |
Non-Patent Citations (3)
Title |
---|
Ionospheric TEC Prediction in China Based on the Multiple-Attention LSTM Model;Haijun Liu et al.;atmosphere;20220921;第1-15 * |
基于遗传算法的空基导航信号增强平台组网优化方法研究;杨龙;周建华;陈金平;;全球定位系统;20080615(03);第9-13页 * |
空地协同伪卫星导航增强系统评估方法;蔚保国;何成龙;;华中科技大学学报(自然科学版);20170123(01);第113-117页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117630999A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113162679B (zh) | 基于ddpg算法的irs辅助无人机通信联合优化方法 | |
Bayerlein et al. | Trajectory optimization for autonomous flying base station via reinforcement learning | |
Caballero et al. | A probabilistic framework for entire WSN localization using a mobile robot | |
CN110191411B (zh) | 一种基于时空域联合处理的分布式协作定位系统和方法 | |
CN111595343B (zh) | 一种基于定位误差校正的无人机航迹规划方法 | |
US20240142639A1 (en) | Terminal positioning method and apparatus, device, and medium | |
Zhang et al. | A hybrid intelligent algorithm DGP-MLP for GNSS/INS integration during GNSS outages | |
Ragothaman et al. | Autonomous ground vehicle path planning in urban environments using GNSS and cellular signals reliability maps: Models and algorithms | |
WO2020221050A1 (zh) | 基于时空域联合处理的集中式协作定位系统和方法 | |
Maestre et al. | Distributed receding horizon Kalman filter | |
CN112577496A (zh) | 一种基于自适应选权的多源融合定位方法 | |
CN117630999B (zh) | 一种基于自适应移动式空地协同增强定位方法及系统 | |
Siraj et al. | Incentives to learn: A location-based federated learning model | |
CN113382060B (zh) | 一种物联网数据收集中的无人机轨迹优化方法及系统 | |
Wu et al. | UAV-based target tracking: Integrating sensing into communication signals | |
Belhajem et al. | A robust low cost approach for real time car positioning in a smart city using Extended Kalman Filter and evolutionary machine learning | |
Hu et al. | A reliable cooperative fusion positioning methodology for intelligent vehicle in non-line-of-sight environments | |
Wang et al. | AUV-Assisted Node Repair for IoUT Relying on Multi-Agent Reinforcement Learning | |
Balico et al. | On the performance of localization prediction methods for vehicular ad hoc networks | |
Makarenko et al. | Decentralized certainty grid maps | |
Li et al. | Cooperative positioning algorithm of swarm UAVs based on posterior linearization belief propagation | |
CN114924292A (zh) | 一种用于卫星的自主轨道确定抗差自适应滤波方法 | |
Jiang et al. | Event-triggered distributed bias-compensated pseudolinear information filter for bearings-only tracking under measurement uncertainty | |
CN111983662A (zh) | 一种基于图论分析的联邦ekf滤波方法及其应用 | |
CN117873105A (zh) | 一种面向远程水下目标定位的通信-感知无人船运动规划方法 |
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 |