CN117665869B - 基于信号特征与机器学习的卫星导航非视距观测检测方法 - Google Patents

基于信号特征与机器学习的卫星导航非视距观测检测方法 Download PDF

Info

Publication number
CN117665869B
CN117665869B CN202311624227.9A CN202311624227A CN117665869B CN 117665869 B CN117665869 B CN 117665869B CN 202311624227 A CN202311624227 A CN 202311624227A CN 117665869 B CN117665869 B CN 117665869B
Authority
CN
China
Prior art keywords
satellite
data
signal characteristics
machine learning
nlos
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
Application number
CN202311624227.9A
Other languages
English (en)
Other versions
CN117665869A (zh
Inventor
刘万科
王鑫宇
陶贤露
别秭锟
胡捷
楼益栋
谷宇鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202311624227.9A priority Critical patent/CN117665869B/zh
Publication of CN117665869A publication Critical patent/CN117665869A/zh
Application granted granted Critical
Publication of CN117665869B publication Critical patent/CN117665869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • 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
    • G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the 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
    • G01S19/01—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
    • G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
    • G01S19/26—Acquisition or tracking or demodulation of signals transmitted by the system involving a sensor measurement for aiding acquisition or tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • G—PHYSICS
    • 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
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于信号特征与机器学习的卫星导航非视距观测检测方法，进行鱼眼图像处理，包括进行鱼眼相机标定和基于边缘检测与分水岭算法的天际线提取与映射；GNSS数据处理，包括对智能手机原始GNSS数据做卫星映射，得到当前时刻的卫星分布天空图并提取信号特征；利用基于鱼眼相机视觉鉴别后的数据与原始数据信号特征构建数据集，使用构建好的数据集对机器学习模型进行训练得到分类器，提取GNSS原始观测数据信号特征并使用训练好的分类器进行分类，实现识别NLOS信号。本发明可以为GNSS定位解算中NLOS观测数据的筛选提供依据，进而提高城市复杂场景下用户的定位性能。

Description

基于信号特征与机器学习的卫星导航非视距观测检测方法
技术领域
本发明属于GNSS导航定位领域，具体涉及一种基于信号特征与机器学习的卫星导航非视距(NLOS)观测检测技术方案。
背景技术
随着城市化进程的加快和共享出行、打车、步行导航、配送服务等业务的飞速发展，人们对于智能终端的定位需求越来越多。智能手机搭载了GNSS芯片等定位传感器，能够支持GNSS定位、网络定位和蓝牙、WIFI等室内定位功能，因此可以在室内外实现一套完整的无缝定位方案。随着近几年低成本GNSS芯片组性能的提高，使得智能手机的定位精度有了明显的改善。然而，在城市环境中实现高精度和高可靠性的定位仍然是一个重大挑战。
目前手机普遍使用伪距标准单点定位(SPP，Standard Point Positioning)和多普勒观测值获得位置和速度等信息。在高速公路、郊外等空旷场景下利用手机观测值可以实现几米甚至亚米的定位精度。然而城市环境中高楼林立，立交、树木、行人、车辆等各种因素都会影响到GNSS信号的捕获，并且城市中大多数建筑的外墙都是由金属、混凝土、玻璃等材料组成，对GNSS信号的反射能力较强。只通过非直射路径到达接收机的信号称为非直射信号(Non-Line-Of-Sight，NLOS)。由于NLOS信号可能会引入几十、甚至上百米的测距偏差(粗差)，进而导致SPP定位结果出现几十米甚至更大的误差。这会造成打车起点漂移、导航路线规划错误等情况，极大地影响了用户体验。因此，在城市场景下对NLOS信号进行准确识别和合理处理是提升GNSS单点定位、改善用户体验的一个关键问题。
为了准确识别NLOS信号，满足提升城市环境下智能手机GNSS定位性能的需求，本发明给出了一种基于信号特征与机器学习的卫星导航非视距(NLOS)观测检测方法，结合高度角、信噪比、伪距残差等智能手机原始观测信号特征分析，基于边缘检测与分水岭算法的鱼眼图像天空区域提取方法，以及基于机器学习模型的信号分类方法，能够有效地识别NLOS信号，从而实现对行人智能手机导航定位的精度和连续性的提升，拓宽大众位置服务的应用场景与范围。
发明内容
本发明提出了一种基于信号特征与机器学习的卫星导航非视距(NLOS)观测检测方法，可以为GNSS定位解算中NLOS观测数据的筛选提供依据，进而提高城市复杂场景下用户的定位性能。
第四模块，用于训练及分类识别，使用上述构建好的数据集对机器学习模型进行训练得到分类器，提取GNSS原始观测数据信号特征并使用训练好的分类器进行分类，实现识别NLOS信号。
测方法，包括以下处理，
鱼眼图像处理，包括进行鱼眼相机标定和基于边缘检测与分水岭算法的天际线提取与映射；
GNSS数据处理，包括对智能手机原始GNSS数据做卫星映射，得到当前时刻的卫星分布天空图并提取信号特征；
数据集构建，包括利用基于鱼眼相机视觉鉴别后的数据与原始数据信号特征构建数据集，实现方式为，叠加同一时刻的卫星天空分布图与天空图，将某一方位角的鱼眼图像天空图上天际线所处高度角作为该方向上的可视卫星截止高度角，判断接收到信号的卫星所处位置是否为建筑物遮挡状态，如果是，则为NLOS卫星，否则为LOS卫星，进而生成LOS/NLOS标签用于标记卫星的NLOS情况，结合GNSS原始观测数据与其信号特征、LOS/NLOS标签构建数据组合，进而形成数据集；
训练及分类识别，使用上述构建好的数据集对机器学习模型进行训练得到分类器，提取GNSS原始观测数据信号特征并使用训练好的分类器进行分类，实现识别NLOS信号。
而且，基于边缘检测与分水岭算法的天际线提取与映射的实现方式为，使用轮廓检测方法，基于边缘图获取完整、连续的天空轮廓，然后使用已经得到的天空轮廓作为先验种子，对图像进行分水岭分割，提取图像中的天空区域。
而且，所述对图像进行分水岭分割，提取图像中的天空区域，包括将图像像素值类比地理中的海拔高，将图像分割阈值类比地理中的水体深度，用获取的边缘轮廓信息作为“分水岭”，依次选择“分水岭”对应的阈值分割图像，将所有分割结果按从属关系组合后即完成对于图像各个区域的分割。
而且，提取GNSS原始观测数据的信号特征时，提取的特征包括信噪比、高度角、伪距减去载波CMC、伪距双差、载波相位双差、伪距率一致性和相位率一致性。
而且，基于鱼眼相机视觉鉴别后的数据与原始数据信号特征，构建数据集后，还对数据集进行相关性分析，剔除相关性较强的冗余特征或构造新特征。
另一方面，本发明还提供一种基于信号特征与机器学习的卫星导航非视距观测检测系统，用于实现如上所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法。
而且，包括以下模块，
第一模块，用于鱼眼图像处理，包括进行鱼眼相机标定和基于边缘检测与分水岭算法的天际线提取与映射；
第二模块，用于GNSS数据处理，包括对智能手机原始GNSS数据做卫星映射，得到当前时刻的卫星分布天空图并提取信号特征；
第三模块，用于数据集构建，包括利用基于鱼眼相机视觉鉴别后的数据与原始数据信号特征构建数据集，实现方式为，叠加同一时刻的卫星天空分布图与天空图，将某一方位角的鱼眼图像天空图上天际线所处高度角作为该方向上的可视卫星截止高度角，判断接收到信号的卫星所处位置是否为建筑物遮挡状态，如果是，则为NLOS卫星，否则为LOS卫星，进而生成LOS/NLOS标签用于标记卫星的NLOS情况，结合GNSS原始观测数据与其信号特征、LOS/NLOS标签构建数据组合，进而形成数据集；
第四模块，用于训练及分类识别，使用上述构建好的数据集对机器学习模型进行训练得到分类器，提取GNSS原始观测数据信号特征并使用训练好的分类器进行分类，实现识别NLOS信号。
或者，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法。
或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法。
本发明提出的基于信号特征与机器学习的卫星导航非视距(NLOS)检测方法有如下优点：
1.通过采集涵盖城市典型复杂场景的大样本GNSS数据进行数据特征分析，提高了特征选择与LOS/NLOS状态的相关程度，从而选择更适合用于分类的信号特征。
2.利用边缘检测与分水岭算法提取鱼眼图像的天空区域，结合卫星分布图判断LOS/NLOS观测值，提高了训练数据集的准确性，从而为后续分类器的训练提供较好的数据基础。
3.通过梯度提升决策树构建分类器，可以实现对NLOS信号准确、高效的识别，不需要借助其余的传感器，仅依靠数据特征便可实现自主分类，在顾及卫星定位几何构型强度的条件下，提高NLOS信号识别与处理的环境适应性，由此提升行人智能手机导航定位的精度和连续性，拓宽大众位置服务的应用场景与范围。
与现有相关技术不同的主要区别是：
1.在天空图识别部分提出综合使用边缘检测与分水岭算法，而现有相关技术未使用分水岭算法，准确率有显著提升；
2.本发明识别LOS/NLOS信号的方式是仅依据信号特征，使用信号特征训练机器学习模型，鱼眼相机部分只是用来对训练集样本进行标签判断，而现有技术大多是依靠鱼眼相机直接进行判断，即定位过程全程需要鱼眼相机进行辅助，本发明在定位过程中则不需要鱼眼相机，更简单快捷。
本发明方案实施简单方便，实用性强，解决了相关技术存在的实用性低及实际应用不便的问题，能够提高用户体验，具有重要的市场价值。
附图说明
图1为本发明实施例的基于信号特征与机器学习的卫星导航非视距(NLOS)检测方法总流程图；
图2为本发明实施例的边缘检测与分水岭算法的天际线提取流程图；
图3为本发明实施例的LOS/NLOS观测值判断与数据集构建流程图。
具体实施方式
以下结合附图和实施例具体说明本发明的技术方案。
本发明涉及一种基于信号特征与机器学习的卫星导航非视距(Non-line ofsight，NLOS)观测检测技术方案，可以基于大样本智能手机GNSS(Global NavigationSatellite System)原始观测数据提取信噪比、高度角、伪距残差等信号特征，同时使用鱼眼相机辅助记录对应时刻的天空图像，接着利用边缘检测与分水岭算法提取鱼眼图像的天空区域，结合高精度位姿参考系统提供的相机姿态以及星历计算得到卫星天空分布图，筛选出NLOS观测值，予以标记并构建数据集，使用机器学习模型建立信号分类器以提高信号分类的准确性。将智能手机原始观测数据提取的信号特征投入训练好的分类器即可判断是否为NLOS信号。本发明可以为GNSS定位解算中NLOS观测数据的筛选提供依据，进而提高城市复杂场景下用户的定位性能。
参见图1，本发明实施例中提出，一种基于信号特征与机器学习的卫星导航非视距(NLOS)观测检测方法，包括以下步骤，
(1)鱼眼图像处理：鱼眼相机标定和基于边缘检测与分水岭算法的天际线提取与映射；
实施例中，对鱼眼相机进行初始标定，优选利用KANNALA BRANDT鱼眼相机模型进行三维空间点到二维成像平面的投影计算。具体实施时可使用绘有特定几何图形的平面模板计算图像映射点与实际坐标点之间的关系，常用的模板有棋盘格模板、同心圆模板等，通过特征角点提取和匹配解算镜头参数，得到KANNALA BRANDT鱼眼相机模型。
并使用轮廓检测的方法，基于边缘图获取完整、连续的天空轮廓。在此基础上，本发明提出使用已经得到的天空轮廓作为先验种子，对图像进行分水岭分割，提取图像中的天空区域。
(2)GNSS数据处理：对智能手机原始GNSS数据做卫星映射，得到当前时刻的卫星分布天空图并提取信号特征；
实施例中，根据卫星轨道和测站坐标，计算每颗卫星的高度角和方位角；将每颗卫星的高度角序列和方位角序列，分别转化为极坐标系中的相对原点的距离值和夹角值；根据每颗卫星的距离值和夹角值，绘制卫星天空图。
进一步地，本发明优选建议，取GNSS原始观测数据信号特征主要包括信噪比、高度角、CMC(code-minus-carrier phase)、伪距双差、载波相位双差、伪距率一致性、相位率一致性等。
(3)数据集构建：叠加同一时刻的卫星天空分布图与天空图，判断信号传播路径是否被遮挡并构建数据集；
实施例中，利用高精度参考系统提供的相机姿态，将天空区域转到以GNSS天线相位中心为原点的东北天坐标系，结合GNSS卫星分布轨迹图，判断信号传播路径是否被遮挡，某一方位角的鱼眼图像天空图上天际线所处高度角即为该方向上的可视卫星截止高度角。若卫星高度角高于截止高度角，则判定其属于LOS卫星的概率PLOS＝1，否则属于NLOS信号，即PLOS＝0。
本发明利用基于鱼眼相机视觉鉴别后的数据与原始数据信号特征，构建大样本数据集；对数据集进行相关性分析，剔除那些相关性较强的冗余特征(或构造新特征)。
(4)分类器训练：基于上述构建的数据集对机器学习模型进行训练。
使用上述构建好的数据集对机器学习模型进行训练，提取GNSS原始观测数据信号特征并使用训练好的分类器进行分类，识别NLOS信号。
为便于实施参考起见，进一步介绍实施例中各关键技术部分实现方式：
一、基于边缘检测与分水岭算法的鱼眼图像处理方法。
鱼眼相机存在多种投影模型以及对应的标定方式，本发明实施例优选建议选用KANNALA BRANDT鱼眼相机模型定义的标定方式。
假设空间点P三维坐标X(x,y,z)，像素坐标p(u,v)，则基于KANNALA BRANDT鱼眼相机模型，二者投影关系如下。
r2＝(x/z)2+(y/z)2 (1)
其中，r为P在归一化平面与成像中心的距离。
根据KANNALABRANDT鱼眼相机模型所提出的鱼眼镜头畸变假设，光线的入射角θ与出射角θd以及r之间满足：
θd＝k1θ+k2θ2+k3θ3+k4θ4 (2)
其中，[k1,k2,k3,k4]为相机畸变系数k，表示光线在鱼眼镜头中的畸变情况，是需要通过标定获取的量。
经过畸变后归一化坐标(x′,y′)表示为：
最后投影为像素坐标(u,v)：
上式中，fx、fy分别是相机成像过程中x、y轴的缩放因子，cx、cy分别为相机成像面的光心偏移量，它们共同构成相机内参K。相机内参K是需要通过标定获取的量。
上文描述了KANNALA BRANDT鱼眼相机模型将三维点投影到像素平面的过程，并指出了需要事先标定获取的变量：相机参数K与畸变系数k。
实施例在标定操作中，先打印出已知空间关系的棋盘标定板，使用鱼眼相机拍摄得到多张不同位置、不同角度的图像。检测图像中的棋盘角点，综合已知的角点空间关系，根据公式(1)～(4)的投影关系，可以估计得到相机内参K与畸变系数k。最后基于标定得到的K、k对观测到的角点进行重投影误差分析，误差符合阈值要求即完成标定。
天空识别本质上是图像分割问题，即从图像中分割出天空与遮挡。常用的图像分割方法有阈值分割、区域生长、区域分裂合并、分水岭算法、基于聚类的方法、基于边缘检测的方法、基于深度学习的方法等。本发明优选提出采用边缘检测与分水岭算法。
天空与遮挡之间存在明显的边界，并且天空内部纹理信息较弱。如果对图像进行边缘提取，可以获取一个基本包络天空边缘图。由于像素误差、算法误差，所获取的天空边缘存在局部不连续的问题。对此可以使用轮廓检测的方法，基于边缘图获取完整、连续的天空轮廓。分水岭算法模仿地理中分水岭分割水体的思路，根据图像中的梯度信息将图像分割为不同区域。使用已经得到的天空轮廓作为先验种子，对图像进行分水岭分割，即可从图像中分割天空区域。
实施例使用边缘检测与分水岭算法来进行图片分割，进而识别天空，优选采用的具体实现方式如图2所示，主要流程如下：
(1)使用灰度化、高斯滤波平滑操作将彩色的原始图像转为方便后续使用的灰度图像并进行降噪处理。
(2)应用边缘检测算法获取图像中的边缘信息。由于观测噪声、算法误差的存在，此时所获取的边缘信息是局部离散的。
(3)使用轮廓检测算法从步骤(2)所得离散的边缘图像中寻找、形成连续的轮廓信息。
(4)采用分水岭算法借鉴地理中分水岭的思路进行图像分割。将图像像素值类比地理中的海拔高，将图像分割阈值类比地理中的水体深度，不同深度水体淹没地理区域时会形成不同的聚水区，类比于不同分割阈值可以将图像分割为不同的区域。地理中分割两个聚水区的是分水岭，在图像中分割不同区域则是图像边缘。用上面获取的边缘轮廓信息作为“分水岭”，依次选择“分水岭”对应的阈值分割图像，将所有分割结果按从属关系组合后即完成对于图像各个区域的分割。
(5)根据天空高亮度、居中、纹理信息弱的属性，在(4)所得分割后的区域中寻找天空区域。
二、卫星分布天空图绘制与GNSS信号特征提取
卫星投影是指计算卫星在像素坐标系pix系下坐标的过程。根据卫星轨道和测站坐标，计算每颗卫星的高度角和方位角；将每颗卫星的高度角序列和方位角序列，分别转化为极坐标系中的相对原点的距离值和夹角值；根据每颗卫星的距离值和夹角值，绘制卫星天空图。
首先基于星历获取某时刻地心地固坐标系(ECEF)下卫星位置基于载体位姿获取某时刻姿态旋转矩阵
然后计算载体坐标系b系下的卫星位置
根据计算卫星在载体坐标系b系下的高度角Al与方向角Az：
其中方向角是从载体前向x轴起算顺时针为正，y轴为载体右向，z轴为载体向下方向。
使用高度角算入射角：
其中PI为圆周率。
根据入射角θ与投影模型H(·)计算成像半径rd：
rd＝H(θ) (8)
进而计算成像点在载体坐标系b系下的(x,y)坐标：
将载体坐标系b系(x,y)坐标转为像素坐标(row,cal)：
其中，row_offset、cal_offset是光心偏移。
直射(LOS)与非直射(NLOS)的GNSS信号在信噪比，高度角，伪距、载波相位双差与一致性等特征具有明显的差异性与区分度，实施例基于原始观测数据提取GNSS信号特征时，实施例选取的主要包括信噪比、高度角、CMC、伪距双差、载波相位双差、伪距率一致性、相位率一致性等。为便于实施起见，提供相关提取方式说明如下：
伪距减去载波(CMC，code-minus-carrier phase)可以作为一个衡量指标，定义测站u，r同时对GNSS卫星i，j进行观测，构造t时刻卫星的CMC组合观测值如下：
其中，为伪距观测值，λ为载波波长，为载波相位观测值，为双差伪距多路径误差、为双差载波相位多路径误差、为模糊度、为伪距噪声、为载波相位噪声。
GNSS伪距双差观测方程和载波相位双差观测方程分别如下式：
其中，为伪距观测值，λ为载波波长，为载波相位观测值，为卫星和接收机之间的几何距离，和分别为电离层延迟和对流层延迟残余误差，短基线模式下，大气残余误差可忽略不计，为伪距观测噪声和多路径误差等的综合项，为相位观测噪声和多路径误差等的综合项为模糊度。
在上述的一种基于信号特征与机器学习的卫星导航非视距(NLOS)观测检测方法，提取大样本原始观测数据的伪距率一致性与相位率一致性。已知原始多普勒观测方程为：
式中，Dt为t时刻的多普勒观测值，λ为信号波长，分别代表对卫星和接收机之间的几何距离、接收机钟差、卫星钟差、对流层延迟和电离层延迟残余误差求导、c表示光速、εD代表噪声项。考虑到多普勒观测St的定义式
其中，D(τ)为当前时刻多普勒观测值、τ为时间、Δt为t时刻到t+1时刻的时间变化量。
将式(14)带入式(15)，可得
其中，分别代表对t时刻卫星和接收机之间的几何距离、接收机钟差、卫星钟差、对流层延迟和电离层延迟残余误差求导、c表示光速、εD,t代表t时刻噪声项、εD代表噪声项。
在较短的时间间隔内，式(16)中各项符合下述规律
其中，表示Xt的微分，表示相邻历元内的平均变化率。此时，式(16)可以近似为
式中，Pt和Φt分别表示伪距和相位观测值，考虑到多普勒观测值符号定义，需要加上负号。显然，当伪距观测值没有异常，相位观测值无大周跳时，式(18)的近似误差主要受观测噪声本身影响；反之，以此为准则即可判断伪距和相位是否与多普勒保持一致，从而进行观测值异常检测。因此，可得观测值一致性检验准则的定义如下：
其中，CP和CΦ分别为历元差伪距、历元差相位与平均多普勒的差值，即伪距和相位的一致性检验量。此外，CD为历元差多普勒，可作为其前后一致性检验量，Dt,t-1是前后历元多普勒观测值之差。
三、数据集构建与分类器训练
鱼眼NLOS判别的主要技术有两个主要内容，一是通过星历、载体位姿、镜头模型等信息，实现将卫星模拟投影导航像素平面的过程，二是处理观测图像，获取天空、遮挡的分类信息。最后综合图片反映的遮挡信息与模拟投影的卫星像素位置，判断接收到信号的卫星所处位置是否为建筑物遮挡状态，如果是，则为NLOS卫星，否则为LOS卫星，进而标记卫星的NLOS情况，流程如图3所示。
实施例中，在结合GNSS原始观测数据与其信号特征、LOS/NLOS标签构建数据组合，进而形成数据集后，还进一步提出优化方案：检查数据集正负标签数量，使其基本相同，不存在数据不平衡的问题；标注特征列，对特征进行相关性分析，剔除相关性较强的冗余特征(或构造新特征)；离散特征值处理，对于取值没有大小意义的特征，使用one-hot编码，解决了分类器不好处理属性数据的问题，对于取值有大小意义的特征，使用归一化处理；最后对数据集进行分割，70％作为训练集，30％作为验证集。
梯度提升决策树(Gradient Boosting Decision Tree，GBDT)是一种机器学习模型，其主要思想是利用多棵弱回归树(决策树)迭代训练得到最优模型，通过将弱学习器线性组合后得到强学习器，为便于实施参考起见，提供实施例的具体实现算法步骤如下：
第一步，给定训练数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，N为训练集中样本个数，假设已将输入空间划分为J个叶子节点区域R1,R2,…,RJ，并且在每个叶子结点区域Rj上有一个固定的输出值cj，初始化数据计数器m＝1，计数变量j＝1：
其中，函数 其中e是自然常数，pi为中间变量，(xi,yi)表示训练数据集中第i组数据、f0(x)表示初始学习器，L(yi,fm-1(xi))为损失函数，fm-1()表示第m次迭代相应学习器，例如fm-1(x)、fm-1(xi)。
第二步，计算第m次迭代第i个样本的损失函数的负梯度值rm,i：
其中，η为系数值，f(xi)为学习器。
第三步，选择第k个特征和它取的值作为最优切分变量和切分点，计算
其中 其中e是自然常数，和为最优切分点划分的左右两个叶子区域，为叶子节点区域的最优输出。
记为中样本的个数，变量t＝1,2，序号l＝1,2,…,N。令计数变量j＝2j，若j＝J，则回归树结构迭代结束，转到第四步。否则，对子区域递归调用第三步。
第四步，计算第m次迭代的最优输出值γjm
其中，Rjm为叶子结点区域、γ是该结点区域输出值。
第五步，更新其中，I代表指示函数；如果m＝M，M是预设迭代上限，则迭代结束，输出最终结果否则，转第二步。
最后将待测信号提取数据特征投入训练好的分类器模型中进行NLOS信号的识别与判断。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于信号特征与机器学习的卫星导航非视距观测检测系统，包括以下模块，
第一模块，用于鱼眼图像处理，包括进行鱼眼相机标定和基于边缘检测与分水岭算法的天际线提取与映射；
第二模块，用于GNSS数据处理，包括对智能手机原始GNSS数据做卫星映射，得到当前时刻的卫星分布天空图并提取信号特征；
第三模块，用于数据集构建，包括利用基于鱼眼相机视觉鉴别后的数据与原始数据信号特征构建数据集，实现方式为，叠加同一时刻的卫星天空分布图与天空图，将某一方位角的鱼眼图像天空图上天际线所处高度角作为该方向上的可视卫星截止高度角，判断接收到信号的卫星所处位置是否为建筑物遮挡状态，如果是，则为NLOS卫星，否则为LOS卫星，进而生成LOS/NLOS标签用于标记卫星的NLOS情况，结合GNSS原始观测数据与其信号特征、LOS/NLOS标签构建数据组合，进而形成数据集；
第四模块，用于训练及分类识别，使用上述构建好的数据集对机器学习模型进行训练得到分类器，提取GNSS原始观测数据信号特征并使用训练好的分类器进行分类，实现识别NLOS信号。
在一些可能的实施例中，提供一种基于信号特征与机器学习的卫星导航非视距观测检测系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法。
在一些可能的实施例中，提供一种基于信号特征与机器学习的卫星导航非视距观测检测系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (9)

1.一种基于信号特征与机器学习的卫星导航非视距观测检测方法，其特征在于：基于大样本智能手机GNSS原始观测数据提取信号特征，所述信号特征包括信噪比、高度角、伪距减去载波CMC、伪距双差、载波相位双差、伪距率一致性和相位率一致性，同时使用鱼眼相机辅助记录对应时刻的天空图像，接着利用边缘检测与分水岭算法提取鱼眼图像的天空区域，结合高精度位姿参考系统提供的相机姿态以及星历计算得到卫星天空分布图，筛选出NLOS观测值，予以标记并构建数据集，使用机器学习模型建立分类器，所述机器学习模型采用梯度提升决策树；将智能手机GNSS原始观测数据提取的信号特征投入训练好的分类器判断是否为NLOS信号，为GNSS定位解算中NLOS观测数据的筛选提供依据，提高城市复杂场景下用户的定位性能；
实现过程包括以下处理，
鱼眼图像处理，包括进行鱼眼相机标定和基于边缘检测与分水岭算法的天际线提取与映射；实现过程包括以下步骤，
(1)使用灰度化和高斯滤波平滑操作将彩色的原始图像转为灰度图像并进行降噪处理；
(2)应用边缘检测算法获取图像中的边缘信息；
(3)使用轮廓检测算法从步骤(2)所得离散的边缘信息中寻找，形成连续的轮廓信息；
(4)采用分水岭算法进行图像分割，包括将图像像素值类比地理中的海拔高，将图像分割阈值类比地理中的水体深度，用步骤(3)获取的边缘轮廓信息作为“分水岭”，依次选择“分水岭”对应的阈值分割图像，将所有分割结果按从属关系组合后，完成对于图像各个区域的分割；
(5)根据天空高亮度、居中、纹理信息弱的属性，在(4)所得分割后的区域中寻找天空区域；
GNSS数据处理，包括对智能手机原始GNSS数据做卫星映射，得到当前时刻的卫星分布天空图并提取信号特征；包括根据卫星轨道和测站坐标，计算每颗卫星的高度角和方位角；将每颗卫星的高度角序列和方位角序列，分别转化为极坐标系中的相对原点的距离值和夹角值；根据每颗卫星的距离值和夹角值，绘制卫星天空图，实现方式包括以下处理，
首先基于星历获取某时刻地心地固坐标系ECEF下卫星位置基于载体位姿获取某时刻姿态旋转矩阵
然后计算载体坐标系b系下的卫星位置
根据计算卫星在载体坐标系b系下的高度角Al与方向角Az：
Az＝arctan(y/x)
其中方向角是从载体前向x轴起算顺时针为正，y轴为载体右向，z轴为载体向下方向；
使用高度角算入射角：
其中PI为圆周率；
根据入射角θ与投影模型H(·)计算成像半径rd：
rd＝H(θ)
进而计算成像点在载体坐标系b系下的(x,y)坐标：
x＝rd*cos(Az)
y＝rd*sin(Az)
将载体坐标系b系(x,y)坐标转为像素坐标(row,cal)：
row＝-x+row_offset
cal＝-y+cal_offset
其中，row_offset、cal_offset是光心偏移；
数据集构建，包括利用基于鱼眼相机视觉鉴别后的数据与原始数据信号特征构建数据集，实现方式为，叠加同一时刻的卫星天空分布图与天空图，将某一方位角的鱼眼图像天空图上天际线所处高度角作为该方向上的可视卫星截止高度角，判断接收到信号的卫星所处位置是否为建筑物遮挡状态，如果是，则为NLOS卫星，否则为LOS卫星，进而生成LOS/NLOS标签用于标记卫星的NLOS情况，结合GNSS原始观测数据与其信号特征、LOS/NLOS标签构建数据组合，进而形成数据集；
训练及分类识别，使用上述构建好的数据集对机器学习模型进行训练得到分类器，提取GNSS原始观测数据信号特征并使用训练好的分类器进行分类，实现识别NLOS信号。
2.如权利要求1所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法，其特征在于：基于边缘检测与分水岭算法的天际线提取与映射的实现方式为，使用轮廓检测方法，基于边缘图获取完整、连续的天空轮廓，然后使用已经得到的天空轮廓作为先验种子，对图像进行分水岭分割，提取图像中的天空区域。
3.如权利要求2所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法，其特征在于：所述对图像进行分水岭分割，提取图像中的天空区域，包括将图像像素值类比地理中的海拔高，将图像分割阈值类比地理中的水体深度，用获取的边缘轮廓信息作为“分水岭”，依次选择“分水岭”对应的阈值分割图像，将所有分割结果按从属关系组合后即完成对于图像各个区域的分割。
4.如权利要求1或2或3所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法，其特征在于：提取GNSS原始观测数据的信号特征时，提取的特征包括信噪比、高度角、伪距减去载波CMC、伪距双差、载波相位双差、伪距率一致性和相位率一致性；结合GNSS原始观测数据与其信号特征、LOS/NLOS标签构建数据组合，进而形成数据集。
5.如权利要求1或2或3所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法，其特征在于：基于鱼眼相机视觉鉴别后的数据与原始数据信号特征，构建数据集后，还对数据集进行相关性分析，剔除相关性较强的冗余特征或构造新特征。
6.一种基于信号特征与机器学习的卫星导航非视距观测检测系统，其特征在于：用于实现如权利要求1-5任一项所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法。
7.根据权利要求6所述基于信号特征与机器学习的卫星导航非视距观测检测系统，其特征在于：包括以下模块，
第一模块，用于鱼眼图像处理，包括进行鱼眼相机标定和基于边缘检测与分水岭算法的天际线提取与映射；
第二模块，用于GNSS数据处理，包括对智能手机原始GNSS数据做卫星映射，得到当前时刻的卫星分布天空图并提取信号特征；
第三模块，用于数据集构建，包括利用基于鱼眼相机视觉鉴别后的数据与原始数据信号特征构建数据集，实现方式为，叠加同一时刻的卫星天空分布图与天空图，将某一方位角的鱼眼图像天空图上天际线所处高度角作为该方向上的可视卫星截止高度角，判断接收到信号的卫星所处位置是否为建筑物遮挡状态，如果是，则为NLOS卫星，否则为LOS卫星，进而生成LOS/NLOS标签用于标记卫星的NLOS情况，结合GNSS原始观测数据与其信号特征、LOS/NLOS标签构建数据组合，进而形成数据集；
第四模块，用于训练及分类识别，使用上述构建好的数据集对机器学习模型进行训练得到分类器，提取GNSS原始观测数据信号特征并使用训练好的分类器进行分类，实现识别NLOS信号。
8.根据权利要求6所述基于信号特征与机器学习的卫星导航非视距观测检测系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法。
9.根据权利要求6所述基于信号特征与机器学习的卫星导航非视距观测检测系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-5任一项所述的一种基于信号特征与机器学习的卫星导航非视距观测检测方法。
CN202311624227.9A 2023-11-29 2023-11-29 基于信号特征与机器学习的卫星导航非视距观测检测方法 Active CN117665869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311624227.9A CN117665869B (zh) 2023-11-29 2023-11-29 基于信号特征与机器学习的卫星导航非视距观测检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311624227.9A CN117665869B (zh) 2023-11-29 2023-11-29 基于信号特征与机器学习的卫星导航非视距观测检测方法

Publications (2)

Publication Number Publication Date
CN117665869A CN117665869A (zh) 2024-03-08
CN117665869B true CN117665869B (zh) 2024-08-16

Family

ID=90080098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311624227.9A Active CN117665869B (zh) 2023-11-29 2023-11-29 基于信号特征与机器学习的卫星导航非视距观测检测方法

Country Status (1)

Country Link
CN (1) CN117665869B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118363050A (zh) * 2024-05-21 2024-07-19 武汉大学 基于鱼眼相机的全天时gnss nlos识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563413A (zh) * 2017-08-09 2018-01-09 千寻位置网络有限公司 无人机航拍影像农田块对象精准提取方法
CN116953744A (zh) * 2023-08-28 2023-10-27 中国人民解放军战略支援部队信息工程大学 一种导航卫星非视距信号识别方法和导航卫星定位方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028255B (zh) * 2018-10-10 2023-07-21 千寻位置网络有限公司 基于先验信息与深度学习的农田区域预筛选方法及装置
CN109975880B (zh) * 2019-04-04 2021-07-27 哈尔滨工业大学 一种基于特征矢量的定向方法、装置及系统
CN113970761A (zh) * 2021-10-11 2022-01-25 中山大学 一种非视距信号识别方法、系统、计算机设备和存储介质
WO2023198090A1 (en) * 2022-04-14 2023-10-19 The Hong Kong Polytechnic University 3d vision aided gnss real-time kinematic positioning for autonomous systems in urban canyons
CN115657101B (zh) * 2022-10-26 2023-09-15 北京航空航天大学 一种鱼眼相机辅助gnss-ins高精度导航定位的方法
CN115856959B (zh) * 2022-11-24 2024-08-06 武汉大学 手机相机辅助的多卫星导航系统选星方法及系统
CN115984951A (zh) * 2023-02-01 2023-04-18 广东工业大学 一种鱼眼图像遮挡类别的判别方法及装置
CN116990836A (zh) * 2023-08-01 2023-11-03 北京邮电大学 一种gnss非视距信号检测方法、系统、设备及介质
CN116973946A (zh) * 2023-08-02 2023-10-31 江西省检验检测认证总院特种设备检验检测研究院 一种深度学习与鱼眼相机图像分割的导航卫星定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563413A (zh) * 2017-08-09 2018-01-09 千寻位置网络有限公司 无人机航拍影像农田块对象精准提取方法
CN116953744A (zh) * 2023-08-28 2023-10-27 中国人民解放军战略支援部队信息工程大学 一种导航卫星非视距信号识别方法和导航卫星定位方法

Also Published As

Publication number Publication date
CN117665869A (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN110926474B (zh) 卫星/视觉/激光组合的城市峡谷环境uav定位导航方法
CN111028358B (zh) 室内环境的增强现实显示方法、装置及终端设备
Suzuki et al. N-LOS GNSS signal detection using fish-eye camera for vehicle navigation in urban environments
EP3650814A1 (en) Vision augmented navigation
CN111929718A (zh) 一种自动驾驶对象探测和定位系统及方法
CN112666588B (zh) 一种城市峡谷环境下基于景象匹配与机器学习的定位方法
Bai et al. Using Sky‐pointing fish‐eye camera and LiDAR to aid GNSS single‐point positioning in urban canyons
CN117665869B (zh) 基于信号特征与机器学习的卫星导航非视距观测检测方法
CN107917699B (zh) 一种用于提高山区地貌倾斜摄影测量空三质量的方法
CN112740225A (zh) 一种路面要素确定方法及装置
CN108253942B (zh) 一种提高倾斜摄影测量空三质量的方法
CN114063127A (zh) 一种多焦距视觉slam与gps融合的方法及存储介质
Bai et al. Real-time GNSS NLOS detection and correction aided by sky-pointing camera and 3D LiDAR
Tongleamnak et al. Simulation of GNSS availability in urban environments using a panoramic image dataset
Grejner-Brzezinska et al. From Mobile Mapping to Telegeoinformatics
Koppanyi et al. Experiences with acquiring highly redundant spatial data to support driverless vehicle technologies
CN117274375A (zh) 基于迁移学习网络模型与图像匹配的目标定位方法及系统
WO2023222671A1 (en) Position determination of a vehicle using image segmentations
Wang et al. Sky-view images aided NLOS detection and suppression for tightly coupled GNSS/INS system in urban canyon areas
KR102407802B1 (ko) 인공신경망 학습 기반의 실내외 3차원 좌표 및 방위 추정 장치
CN115616637A (zh) 一种基于三维格网多径建模的城市复杂环境导航定位方法
Gakne Improving the accuracy of GNSS receivers in urban canyons using an upward-facing camera
Antigny et al. Hybrid visual and inertial position and orientation estimation based on known urban 3D models
Wei Multi-sources fusion based vehicle localization in urban environments under a loosely coupled probabilistic framework
Gakne et al. Skyline-based positioning in urban canyons using a narrow fov upward-facing camera

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