TWI844899B - 無線設備及對無線設備定位的方法 - Google Patents
無線設備及對無線設備定位的方法 Download PDFInfo
- Publication number
- TWI844899B TWI844899B TW111128125A TW111128125A TWI844899B TW I844899 B TWI844899 B TW I844899B TW 111128125 A TW111128125 A TW 111128125A TW 111128125 A TW111128125 A TW 111128125A TW I844899 B TWI844899 B TW I844899B
- Authority
- TW
- Taiwan
- Prior art keywords
- satellite
- wireless device
- neural network
- raw measurement
- network model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 108
- 238000003062 neural network model Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 230000001413 cellular effect Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 5
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 3
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 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
- G01S19/01—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
- G01S19/25—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS
-
- 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
- G01S19/396—Determining accuracy or reliability of position or pseudorange measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1853—Satellite systems for providing telephony service to a mobile station, i.e. mobile satellite service
- H04B7/18545—Arrangements for managing station mobility, i.e. for station registration or localisation
- H04B7/18556—Arrangements for managing station mobility, i.e. for station registration or localisation using a location database
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
- G01S19/22—Multipath-related issues
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radio Relay Systems (AREA)
Abstract
一種對無線設備定位的方法，其中該無線設備從複數個衛星接收資料，該方法包括：識別已經訓練為適應於該無線設備所操作的區域的神經網路模型；使用該神經網路模型將在給定時間來自每一個衛星的衛星原始測量值分類為相應的質量等級；識別質量等級高於閾值的衛星原始測量值；使用識別出的衛星原始測量值計算該無線設備的位置。
Description
本發明的實施例涉及使用衛星原始測量值(raw measurement)的定位方法；更具體地說，涉及使用神經網路來改進位置確定的無線設備。
在城市地區使用衛星資料來確定無線設備的位置可能非常複雜。對衛星信號的主要干擾之一是多徑傳播(multipath propagation)，其中衛星信號沿信號傳輸路徑被建築物、樹葉等反射、折射和/或吸收。這種現象會導致衛星信號出現複數條到達路徑。此外，不同城市的傳輸條件可能有所不同。
大多數傳統設計在衛星定位接收器中使用卡爾曼濾波器(Kalman filter)。濾波器執行平滑、估計和預測以最小化最小均方誤差(least-square error)。更具體地說，濾波器的目標是最小化殘差平方和(sum of squared residuals)(即測量值與模型提供的擬合值之間的差異)。假設線性非時變(Linear Time-Invariant，LTI)系統具有高斯噪聲，從卡爾曼濾波器獲得的結果可以被認為是優化的。然而，在針對城市場景進行定位時，一個主要挑戰是不斷調整卡爾曼濾波器參數以適應操作環境。
因此需要改善傳統的基於衛星的定位方法。
本發明提供無線設備及對無線設備定位的方法，實施本發明實施例可改善位置確定的準確性。
在一個實施例中，無線設備從複數個衛星接收資料，且本發明提供的一種對無線設備定位的方法包括：識別已經訓練為適應於該無線設備所操作的區域的神經網路模型；使用該神經網路模型將在給定時間來自每一個衛星的衛星原始測量值分類為相應的質量等級；識別質量等級高於閾值的衛星原始測量值；使用識別出的衛星原始測量值計算該無線設備的位置。
在一個實施例中，本發明提供的一種無線設備可包括：衛星接收器，用於從複數個衛星接收資料；記憶體，用於存儲一個或複數個神經網絡模型；和處理電路，其中該處理電路被操作為執行如下步驟：識別已經訓練為適應於該無線設備所操作的區域的神經網路模型；使用該神經網路模型將在給定時間來自每一個衛星的衛星原始測量值分類為相應的質量等級；識別質量等級高於閾值的衛星原始測量值；使用識別出的衛星原始測量值計算該無線設備的位置。
如上所述，本發明實施例使用該神經網路模型將在給定時間來自每一個衛星的衛星原始測量值分類為相應的質量等級、識別質量等級高於閾值的衛星原始測量值，以及使用識別出的衛星原始測量值計算該無線設備的位置，由此可改善對無線設備的位置確定的準確性。
100,200:無線設備
110:天線
115A,115B,115C,115D,115E:衛星
120:射頻電路
130:處理電路
140:記憶體
160:定位算法
170:神經網路模型
201,202,203,204,205,206,310,320,330,340,350,410,420,430,440,450,460,470,480,510,520,530,540:步驟
260:模型檢測器
250:位置檢測器
270:區域適應神經網路模型
280:定位引擎
290:位置服務器
300,400,500:方法
圖1為依據本發明的一個實施例的環境示意圖。
圖2依據本發明的一個實施例示出位置確定設備和方法的概況。
圖3是依據本發明的一個實施例的用於訓練區域適應神經網路模型的方法300的
流程示意圖。
圖4是依據本發明的一個實施例的用於模型更新的方法400的流程示意圖。
圖5是依據本發明的一個實施例的用於進行位置確定的方法500的流程示意圖。
在說明書及申請專利範圍當中使用了某些詞彙來指稱特定的元件。所屬技術領域具有通常知識者應可理解，硬體製造商可能會用不同的名詞來稱呼同一個元件。本說明書及申請專利範圍並不以名稱的差異來作為區分元件的方式，而是以元件在功能上的差異來作為區分的準則。在通篇說明書及申請專利範圍當中所提及的“包含”及“包括”為一開放式的用語，故應解釋成“包含但不限定於”。“大體上”或“大約”是指在可接受的誤差範圍內，所屬技術領域具有通常知識者能夠在一定誤差範圍內解決所述技術問題，基本達到所述技術效果。此外，“耦接”或“耦合”一詞在此包含任何直接及間接的電性連接手段。因此，若文中描述一第一裝置耦接在一第二裝置，則代表該第一裝置可直接電性連接於該第二裝置，或通過其它裝置或連接手段間接地電性連接至該第二裝置。以下所述為實施本發明的較佳方式，目的在於說明本發明的精神而非用以限定本發明的保護範圍，本發明的保護範圍當視之後附的申請專利範圍所界定者為准。
接下面的描述為本發明預期的最優實施例。這些描述用於闡述本發明的大致原則而不應用於限制本發明。本發明的保護範圍應在參考本發明的申請專利範圍的基礎上進行認定。
本發明的實施例通過使用由區域適應神經網路(region-adapted neural network)分類的衛星原始測量值來改善位置確定。區域適應神經網路經過訓練以適應不同的地理區域，例如密集的城市地區和城市峽谷。一種基於機
器學習的方法使用該神經網路來解決城市環境中的嚴重的多徑誤差問題。合併區域適應神經網路和基於卡爾曼濾波器的算法可改善位置確定的準確性。
區域適應神經網路是基於學習的模型，其學習以對每個衛星每個時間戳(time stamp)在感興趣的區域中的衛星原始測量值進行分類。無線設備從該無線設備可用和/或可跟踪的那些衛星獲得衛星原始測量值。衛星原始測量值被分類為兩種或更多種具有不同質量等級(quality level)的類別。區域適應神經網路模型可在相應的區域且在持續的時間段(例如，12小時或更久)內進行訓練。訓練後的模型(包括模型中的各神經元的權重)可以被預加載或下載到無線設備以執行實時位置確定。
在文中，術語“衛星原始測量值”包括設備接收器的觀察資料，來自衛星的廣播軌道信息以及支持資料(例如從同地儀器收集的氣象參數)。例如，衛星原始測量值可包括衛星系統的身份標識(identifier)、信號噪聲比(Signal-to-Noise Ratio，SNR)、或設備計算的另一個信號與噪聲指標、多普勒信息、仰角、方位角、時鐘信息等。衛星可能是全球導航衛星系統(Global Navigation Satellite System，GNSS)(例如美國全球定位系統(Global Positioning System，GPS)、俄羅斯全球導航衛星系統(Global Navigation Satellite System，GLONASS)、中國北斗導航衛星系統(BeiDou Navigation Satellite System，BDS)、歐盟伽利略等)的星座的一部分。在本公開中，術語“地點”(location)和“位置”(position)可以互換使用。
無線設備可依據複數個衛星的衛星原始測量值計算偽距(pseudo-range)。接收器和衛星之間的偽距是通過光速乘以衛星信號的接收時間(以接收器的時間幀表示)和發送時間(以衛星的時間幀表示)之間的差來計算的。該偽距對應接收器到衛星的距離，該距離包括接收器和衛星的時鐘偏移值和其他偏移和誤差(例如，電離層延遲誤差、對流層延遲誤差和多徑傳播
誤差)。通常，設備可以根據四顆或更多衛星的偽距確定其位置。由於大量的衛星同時部署在太空中，一個設備可能能夠同時接收來自多於四顆衛星(例如十顆或更多顆衛星)的衛星信號。
圖1為依據本發明的一個實施例的環境示意圖，其中具有區域適應神經網路的無線設備100可在該環境中運作。在該實施例中，無線設備100從複數個衛星接收衛星信號，其中五個衛星被示為衛星115A-115E(統稱為衛星115)。接收的衛星信號包括由電離層延遲和對流層延遲等大氣延遲引起的誤差。此外，接收的衛星信號還包括多徑傳播誤差(例如從衛星115E接收的信號)。
圖1還示出了無線設備100包括耦合到射頻(RF)電路120的天線110，射頻(RF)電路120還包括被配置為接收衛星信號的衛星接收器。無線設備100還包括處理電路130，其可以進一步包括一個或複數個可編程處理器(例如，中央處理單元(Central Processing Unit，CPU)、數位信號處理器(Digital Signal Processor，DSP)、圖形處理單元(Graphics Processing Unit，GPU)、加速處理單元(Accelerated Processing Unit，APU)、神經處理單元(Neural Processing Unit，NPU)等)。處理電路130還可以包括專用電路，例如專用集成電路(Application-Specific Integrated Circuit，ASIC)。處理電路130耦合到記憶體140。記憶體140可以包括諸如動態隨機存取記憶體(Dynamic Random Access Memory，DRAM)、靜態RAM(SRAM)和/或其他易失性和非易失性記憶體的記憶體設備。可以理解，圖1的實施例為了說明的目的而被簡化，本發明可能包括額外的硬體組件。
在一個實施例中，記憶體140可存儲定位算法160和一個或複數個神經網路模型170。在一個實施例中，神經網路模型170為區域適應神經網路模型，其包括使用感興趣的區域(例如，無線設備100所在的位置)中收集的衛星資料訓練後的權重(也即，模型中的各神經元的權重)。在一個實施例中，神
經網路模型170可由多層感知網路實現。定位算法160可基於已知的算法，例如卡爾曼濾波器算法。額外地或替代地，定位算法160可包括最小均方算法、加權最小均方算法和封閉式算法中至少之一。神經網路模型170和定位算法160可由處理電路130實施。
圖2依據本發明的一個實施例示出位置確定設備和方法的概況。位置確定方法由設備200執行，設備200為圖1中無線設備100的一個示例。設備200包括位置檢測器250、模型檢測器260、區域適應神經網路模型270以及定位引擎280。區域適應神經網路模型270存儲在記憶體之中，且已經為設備200所操作的區域訓練了區域適應神經網路模型270。位置檢測器250、模型檢測器260和定位引擎280可由硬體電路、軟體、或硬體和軟體的組合實現。
在步驟201，設備200在給定時間(given time)獲得每個被跟踪的衛星的衛星原始測量值。在步驟202，設備200執行區域適應神經網路模型270以將衛星原始測量值分類為兩個或更多個質量等級。每一個衛星的原始測量值被分類為一個相應的質量等級。設備200可以丟棄(discard)、忽視(disregard)或忽略(ignore)質量水平低於閾值的測量值；例如，具有最低質量等級的測量值。在步驟203，定位引擎280處理質量等級超過閾值的測量值來輸出設備的位置，例如緯度和經度。定位引擎280可執行圖1中的定位算法160來計算設備200的位置。例如，當定位引擎280執行卡爾曼濾波器算法來計算設備200的位置時，在步驟202或203設備200可依據質量等級為每一個衛星的衛星原始測量值設置在卡爾曼濾波器中的權重。因此在步驟203中定位引擎280可首先利用質量等級超過閾值的測量值獲得初始定位結果，然後再根據質量等級超過閾值的測量值在卡爾曼濾波器中的權重對初始定位結果執行卡爾曼濾波器算法來計算設備200的位置。
位置檢測器250監測定位引擎280的輸出並檢測設備位置的變
化。當新的設備位置被檢測到，在步驟204，模型檢測器260確定存儲的區域適應神經網路模型270是否需要被更新；例如，當區域適應神經網路模型270不再適用於新的位置且適應於新的位置的模型未存儲在設備200中則表示需要被更新。如果需要更新，在步驟205，模型檢測器260通過無線網路(例如，因特網)請求位置服務器290下載新的適應於設備200的新的位置的新的神經網路模型。在模型檢測器260接收到對應新的位置的下載的神經網路模型後，使用下載的模型更新存儲的區域適應神經網路模型270。下載的模型包括使用在新的位置或包括新的位置的區域中收集的訓練資料訓練後的權重(也即，模型中的各神經元的權重)。
在一些實施例中，設備200可在記憶體中存儲複數個區域適應神經網路模型，例如為N個城市分別存儲N個神經網路。N個神經網路中的每一個可具有不同類型的多徑傳播特性和/或不同類型的大氣特性。設備200首先估計其位置，例如它位於哪個城市，隨後為該城市選擇一個存儲的神經網路模型(例如，神經網路模型270)。在選擇神經網路模型270之後，設備200可通過執行前述的步驟201-203或步驟201-206開始位置確定。
在一個實施例中，神經網路模型270可被訓練並用於在室內環境中進行定位。設備200可將衛星原始測量值與來自其他無線系統的資料相結合，以執行位置確定。例如，其他設備可能包括蜂窩網路、Wi-Fi網路、藍牙網路等。來自其他無形系統的資料可包括小區ID、來自基站或其他無線系統接入點的信號強度、信道狀態信息等。在一個實施例中，設備200可從資料收集系統接收地形和建築信息。設備可用地形或建築信息來估計衛星信號上的多徑效應(multipath effects)和估計在給定時間來自給定衛星(given satellite)的衛星原始測量值的質量等級。例如，如果建築物信息表明給定衛星在給定時間被建築物阻擋，則設備200將忽略基於此建築物信息在給定時間從給定衛星獲得的資
料。在一個實施例中，在訓練階段可將建築信息加入(incorporated into)神經網路模型270(也即，將建築物信息和衛星原始測量值作為神經網路模型270的輸入)。因此，設備200可至少部分地基於建築信息來分類衛星原始測量值。額外地或替代地，作為定位引擎280操作的一部分，建築物信息還可以應用於分類的衛星原始測量值(即，建築物信息在神經網路模型270的輸出處提供給分類的衛星原始測量值，以校準神經網絡模型270的輸出結果)。例如，定位引擎280可至少部分地基於建築信息來設置卡爾曼濾波器的權重，使得遭受多徑效應的衛星原始測量值在卡爾曼濾波器中被賦予較低的權重。因此，設備200可使用被神經網路模型270分類為具有高質量等級的衛星原始測量值以及加入到卡爾曼濾波器中的建築物信息來計算其位置。
在一個實施例中，設備200可接收在設備運輸之前預先加載(pre-loaded)的神經網路模型。在一個實施例中，預先加載的神經網路模型在設備的生命週期內可能不接收更新或可能隨著設備的生命週期而接收更新。模型更新可能是周期性的，並且可能與設備的位置無關，或者可能是在設備更改其位置時發生。
圖3是依據本發明的一個實施例的用於訓練區域適應神經網路模型的方法300的流程示意圖。方法300可由包括衛星接收器的計算和/或通信系統執行。在步驟310，系統識別用於訓練神經網路的目標區域。系統位於該目標區域中以收集訓練資料。此外，在每個資料收集階段(即時間片刻)，系統與每個被跟踪衛星之間的偽距是已知的。目標區域可以是由中心點(經緯度)和直徑描述的地理區域。目標區域可以通過其位置類型來表徵，例如密集的市區、城市峽谷、茂密的樹葉區域等。在步驟320，對系統追蹤的每一個衛星，系統在持續的時間段(例如，至少12小時)內通過時間戳收集和記錄衛星原始測量值。
在步驟330，系統使用時間戳和衛星原始測量值中的時鐘時間為
每一個被追蹤的衛星計算偽距，並計算包括至少一個多徑傳播誤差的偽距誤差(pseudo-range error)，其中至少一個多徑傳播誤差來自給定衛星在給定時間的衛星原始測量值。偽距誤差是已知偽距和為具有給定時間戳的給定衛星計算的相應偽距之間的差。將該差與一個或複數個預定閾值相比較以確定該給定衛星的衛星原始測量值的質量等級。例如，如果該差為10米而閾值為30米，給定衛星的衛星原始測量值被分類為高質量(good quality)。如果該差超過30米，給定衛星的衛星原始測量值被分類為低質量(poor quality)並可能被忽略。在存在多餘兩個質量等級的場景中，可預先確定複數個閾值以將衛星原始測量值分類為複數個質量等級。
在步驟340，系統根據偽距誤差為每一組衛星原始測量值(用於一個衛星和一個時間戳)標記上質量等級以產生訓練集(training set)。在步驟350，系統使用衛星原始資料(也即，衛星原始測量值)作為輸入，質量等級作為輸出為每一個目標區域訓練區域適應神經網路模型。訓練後的神經網路模型可被下載到無線設備(例如，圖1中的設備100和圖2中的設備200)中用於位置確定。
在一個實施例中，第一系統可以執行資料收集步驟310和320，第二系統可以執行訓練步驟330-350。例如，第一系統可收集並記錄衛星原始測量值並將這些測量值提供給第二系統執行相關訓練。
圖4是依據本發明的一個實施例的用於模型更新的方法400的流程示意圖。在步驟410，設備估計當前位置。該估計可以基於卡爾曼濾波器定位而沒有神經網路的帶來的好處(也即，該估計不使用神經網絡模型)。或者，該估計可基於來自用戶的信息(例如，該用戶位於哪個城市)或來自另一無線系統(例如，蜂窩系統)的信息。在步驟420，設備確定對應於估計的位置的神經網路模型是否已經存儲在設備記憶體中。如果相應的神經網路模型已經存儲
在設備中，在步驟430，設備使用存儲的模型處理衛星原始測量值，例如，通過將衛星原始測量值分類為兩個或更多個質量等級類別。在步驟440，設備使用被分類為具有高質量等級(例如，超過質量等級閾值)的衛星原始測量值確定它的當前位置。
如果相應的神經網路模型沒有存儲在設備中，則在步驟450設備從雲服務器下載模型(包括模型的權重(也即，模型中的各神經元的權重))。在步驟460，設備執行模型更新，例如，使用下載的模型替換存儲的模型。在步驟470，設備使用下載的模型處理衛星原始測量值，例如，通過將衛星原始測量值分類為兩個或更多個質量等級類別。在步驟480，設備使用被分類為具有高質量等級(例如，超過質量等級閾值)的衛星原始測量值確定它的當前位置。
圖5是依據本發明的一個實施例的用於進行位置確定的方法500的流程示意圖。在步驟510，設備識別已經訓練為適應於無線設備所操作的區域的神經網路模型。在步驟520，設備使用該神經網路模型將在給定時間來自每一個衛星的衛星原始測量值分類為相應的質量等級。在步驟530，設備識別質量等級高於閾值的衛星原始測量值。在步驟540，設備使用識別出的衛星原始測量值計算無線設備的位置。
在一個實施例中，神經網路被訓練為依據在訓練階段計算的偽距誤差對衛星原始測量值進行分類，該偽距誤差至少包括多徑傳播誤差。神經網路模型可以是多層感知網路。衛星原始測量值可以包括以下衛星原始測量值中的至少一個：衛星系統身份標識、SNR、多普勒信息、仰角、方位角和時鐘信息。神經網路模型可以包括位於輸入層的輸入節點，每一個輸入節點接收衛星原始測量值中的一個。
在一個實施例中，設備可忽略質量等級低於閾值的衛星原始測量值。設備可估計其位置以確定存儲在設備記憶體中的神經網路模型是否對應估
計的位置。當存儲在設備記憶體中的神經網路模型與估計的位置不對應時，設備可從服務器下載對應於估計的位置的神經網路模型。
在一個實施例中，在對衛星原始測量值進行分類時，設備可使用建築信息來估計在給定時間來自給定衛星的信息上的多徑效應，並至少部分地基於建築信息來分類衛星原始測量值。在另一個實施例中，在計算無線設備的位置時，設備可使用位置信息來估計在給定時間來自給定衛星的信息上的多徑效應，並使用識別出的衛星原始測量值和建築信息來計算無線設備的位置。識別出的衛星原始測量值為被分類為具有高質量等級的值。此外，在計算無線設備的位置時，設備可以使用來自一個或複數個其他無線系統的信息，該一個或複數個其他無線系統包括蜂窩系統、Wi-Fi系統和藍牙系統中的一個或複數個。
在一個實驗中，使用具有46,000個神經元的5層多層感知器作為神經網路模型來對衛星原始測量值的質量進行分類。質量分類可用於權重衛星原始測量值(也即，質量等級高的衛星原始測量值可被賦予高的權重(例如，在卡爾曼濾波器中具有高的權重)，而質量等級低的衛星原始測量值可被賦予低的權重(例如，在卡爾曼濾波器中具有低的權重)或者被忽略)。衛星原始測量值根據權重進行細化(refined)，並用作卡爾曼濾波器的輸入。神經網路的複雜度保持足夠小以適應具有存儲空間和計算限制的移動設備。通過使用加速器加速神經網路的執行，15顆可用衛星的典型城市案例的定位性能可以達到4.5毫秒和2.7兆字節的記憶體訪問，滿足了定位系統的實時性要求。此外，實驗的評估表明，與城市地區的標準卡爾曼濾波器相比，定位精度有顯著提高。因此，通過將區域適應神經網路與諸如基於卡爾曼濾波器的方法的定位算法相結合，所公開的位置確定方法被證明可以減輕具有挑戰性的城市區域中由諸如多徑誤差和大氣誤差之類的損壞測量引起的影響。
已經參照圖1和2的示例性實施例描述了圖3-5的流程圖的操作。
然而，應該理解的是，可以通過除圖1和2的實施例之外的本發明的實施例執行圖3-5的流程圖的操作，圖1和2的實施例可以執行與參考流程圖討論的那些操作不同的操作。雖然圖3-5的流程圖顯示了由本發明的某些實施例執行的操作的特定順序，但應該理解這種順序是示例性的(例如，替代實施例可以以不同的順序執行操作，組合某些操作，重疊某些操作等)。
本文已經描述了各種功能組件、塊或模塊。如所屬技術領域具有通常知識者將理解的，功能塊或模塊可以通過電路(專用電路或通用電路，其在一個或複數個處理器和編碼指令的控制下操作)實現，其通常包括被配置為根據這裡描述的功能和操作來控制電路的操作的電晶體。
本發明雖以較佳實施例揭露如上，然其並非用以限定本發明的範圍，任何所屬技術領域具有通常知識者，在不脫離本發明的精神和範圍內，當可做些許的更動與潤飾，因此本發明的保護範圍當視申請專利範圍所界定者為准。
500:方法
510,520,530,540:步驟
Claims (22)
- 一種對無線設備定位的方法，該無線設備從複數個衛星接收資料，該方法包括：識別已經訓練為適應於該無線設備所操作的區域的神經網路模型；使用該神經網路模型將在給定時間來自每一個衛星的衛星原始測量值分類為相應的質量等級；識別質量等級高於閾值的衛星原始測量值；使用識別出的衛星原始測量值計算該無線設備的位置；該方法還包括：估計該無線設備的位置以確定對應於該估計的位置的神經網路模型是否已經存儲在該無線設備的記憶體中；和當存儲在該無線設備的該記憶體中的神經網路模型與該估計的位置不相對應時，從雲服務器下載與該估計的位置對應的神經網路模型。
- 如請求項1所述的對無線設備定位的方法，其中該神經網路模型被訓練為依據在訓練階段計算的偽距誤差對該每一個衛星的衛星原始測量值進行分類，該偽距誤差至少包括多徑傳播誤差。
- 如請求項1所述的對無線設備定位的方法，其中該神經網路模型是多層感知網路。
- 如請求項1所述的對無線設備定位的方法，其中該每一個衛星的衛星原始測量值可以包括以下衛星原始測量值中的至少一個：衛星系統身份標識、信號噪聲比、多普勒信息、仰角、方位角和時鐘信息。
- 如請求項4所述的對無線設備定位的方法，其中該神經網路模型可以包括位於輸入層的輸入節點，每一個該輸入節點接收一個衛星原始測量值。
- 如請求項1所述的對無線設備定位的方法，其中還包括：忽略質量水平低於閾值的衛星原始測量值。
- 如請求項1所述的對無線設備定位的方法，其中還包括：加入建築物信息來估計在給定時間來自給定衛星的信號上的多徑效應；至少部分地基於該建築物信息來對該每一個衛星的衛星原始測量值進行分類。
- 如請求項1所述的對無線設備定位的方法，其中還包括：加入建築物信息來估計在給定時間來自給定衛星的信號上的多徑效應；基於該識別出的衛星原始測量值和該建築物信息計算該無線設備的位置。
- 如請求項1所述的對無線設備定位的方法，其中還包括：在計算該無線設備的位置時，加入來自一個或複數個其他無線系統的信息；其中該一個或複數個其他系統包括蜂窩系統、Wi-Fi系統和藍牙系統中的一個或複數個。
- 如請求項1所述的對無線設備定位的方法，其中使用識別出的衛星原始測量值計算該無線設備的位置時，包括執行定位算法的步驟，其中該定位算法包括卡爾曼濾波器算法、最小均方算法、加權最小均方算法和封閉式算法中至少之一。
- 如請求項10所述的對無線設備定位的方法，其中當該定位算法為卡爾曼濾波器算法時，該方法還包括：根據分類後的質量等級為每一個衛星的衛星原始測量值設置在卡爾曼濾波器中的權重；以及該使用識別出的衛星原始測量值計算該無線設備的位置包括：通過該識別出的衛星原始測量值計算初始定位結果；根據該識別出的衛星原始測量值在卡爾曼濾波器中的權重對該初始定位結 果執行卡爾曼濾波器算法來計算該無線設備的位置。
- 一種無線設備，包括：衛星接收器，用於從複數個衛星接收資料；記憶體，用於存儲一個或複數個神經網絡模型；和處理電路，其中該處理電路被操作為執行如下步驟：識別已經訓練為適應於該無線設備所操作的區域的神經網路模型；使用該神經網路模型將在給定時間來自每一個衛星的衛星原始測量值分類為相應的質量等級；識別質量等級高於閾值的衛星原始測量值；使用識別出的衛星原始測量值計算該無線設備的位置；其中該處理電路還執行：估計該無線設備的位置以確定對應於該估計的位置的神經網路模型是否已經存儲在該無線設備的記憶體中；和當存儲在該無線設備的該記憶體中的神經網路模型與該估計的位置不相對應時，從雲服務器下載與該估計的位置對應的神經網路模型。
- 如請求項12所述的無線設備，其中該神經網路被訓練為依據在訓練階段計算的偽距誤差對該每一個衛星的衛星原始測量值進行分類，該偽距誤差至少包括多徑傳播誤差。
- 如請求項12所述的無線設備，其中該神經網路模型是多層感知網路。
- 如請求項12所述的無線設備，其中該每一個衛星的衛星原始測量值可以包括以下衛星原始測量值中的至少一個：衛星系統身份標識、信號噪聲比、多普勒信息、仰角、方位角和時鐘信息。
- 如請求項15所述的無線設備，其中該神經網路模型可以包括 位於輸入層的輸入節點，每一個該輸入節點接收一個衛星原始測量值。
- 如請求項12所述的無線設備，其中當識別質量等級高於閾值的衛星原始測量值時，該處理電路還執行：忽略質量水平低於閾值的衛星原始測量值。
- 如請求項12所述的無線設備，其中當使用該神經網路模型將在給定時間來自每一個衛星的衛星原始測量值分類為相應的質量等級時，該處理電路還執行：加入建築物信息來估計在給定時間來自給定衛星的信號上的多徑效應；至少部分地基於該建築物信息來對該每一個衛星的衛星原始測量值進行分類。
- 如請求項12所述的無線設備，其中當使用識別出的衛星原始測量值計算該無線設備的位置時，該處理電路還執行：加入建築物信息來估計在給定時間來自給定衛星的信號上的多徑效應；基於該識別出的衛星原始測量值和該建築物信息計算該無線設備的位置。
- 如請求項12所述的無線設備，其中當使用識別出的衛星原始測量值計算該無線設備的位置時，該處理電路還執行：在計算該無線設備的位置時，加入來自一個或複數個其他無線系統的信息；其中該一個或複數個其他系統包括蜂窩系統、Wi-Fi系統和藍牙系統中的一個或複數個。
- 如請求項12所述的無線設備，其中當使用識別出的衛星原始測量值計算該無線設備的位置時，該處理電路結合定位算法計算該無線設備的位置其中該定位算法包括卡爾曼濾波器算法、最小均方算法、加權最小均方算法和封閉式算法中至少之一。
- 如請求項21所述的無線設備，其中當該定位算法為卡爾曼濾 波器算法時，該處理電路還執行：根據分類後的質量等級為每一個衛星的衛星原始測量值設置在卡爾曼濾波器中的權重；以及當使用識別出的衛星原始測量值計算該無線設備的位置時，該處理器結合定位算法計算該無線設備的位置包括：通過該識別出的衛星原始測量值計算初始定位結果；根據該識別出的衛星原始測量值在卡爾曼濾波器中的權重對該初始定位結果執行卡爾曼濾波器算法來計算該無線設備的位置。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163235213P | 2021-08-20 | 2021-08-20 | |
| US63/235,213 | 2021-08-20 | ||
| US17/851,924 US20230057518A1 (en) | 2021-08-20 | 2022-06-28 | Region-Adapted Neural Network for Location Determination |
| US17/851,924 | 2022-06-28 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202309549A TW202309549A (zh) | 2023-03-01 |
| TWI844899B true TWI844899B (zh) | 2024-06-11 |
Family
ID=85227837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111128125A TWI844899B (zh) | 2021-08-20 | 2022-07-27 | 無線設備及對無線設備定位的方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230057518A1 (zh) |
| CN (1) | CN115714615A (zh) |
| TW (1) | TWI844899B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116859422B (zh) * | 2023-07-18 | 2024-01-26 | 湖南六九零六信息科技股份有限公司 | 一种基于异构融合并行集群架构的卫星高精度定位增强系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111665533A (zh) * | 2019-03-07 | 2020-09-15 | 中国科学院上海高等研究院 | 基于卫星定位有效性的定位方法/系统、介质及设备 |
| CN111854741A (zh) * | 2020-06-16 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种gnss/ins紧组合滤波器及导航方法 |
| US20210095965A1 (en) * | 2019-09-26 | 2021-04-01 | Harbin Engineering University | Elman neural network assisting tight-integrated navigation method without GNSS signals |
| CN112902989A (zh) * | 2021-05-07 | 2021-06-04 | 腾讯科技（深圳）有限公司 | 数据误差标定方法、装置、电子设备和存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6351711B1 (en) * | 2000-09-14 | 2002-02-26 | Sirf Technology, Inc. | GPS navigation system using neural networks |
| EP3339904A1 (en) * | 2016-12-22 | 2018-06-27 | Centre National d'Etudes Spatiales | Multipath mitigation in a gnss radio receiver |
| PL3608691T3 (pl) * | 2018-08-08 | 2021-05-04 | Thales Management & Services Deutschland Gmbh | Sposób działania wielu odbiorników gnss dla wykrywania zniekształcenia sygnału satelitarnego |
| US11604287B2 (en) * | 2018-08-09 | 2023-03-14 | Apple Inc. | Machine learning assisted satellite based positioning |
| WO2020107022A1 (en) * | 2018-11-23 | 2020-05-28 | Slingshot Aerospace, Inc. | Signal processing workflow engine incorporating graphical user interface for space situational awareness |
| US11487024B2 (en) * | 2019-01-22 | 2022-11-01 | Futurewei Technologies, Inc | Determining geographic location of a mobile device using sensor data |
| US11189032B2 (en) * | 2020-04-01 | 2021-11-30 | Here Global B.V. | Method and apparatus for extracting a satellite image-based building footprint |
| US20210341625A1 (en) * | 2020-05-01 | 2021-11-04 | Ajeeth, Inc. | Non-linear satellite state modeling techniques |
| US11830246B2 (en) * | 2020-05-01 | 2023-11-28 | CACI, Inc.—Federal | Systems and methods for extracting and vectorizing features of satellite imagery |
-
2022
- 2022-06-28 US US17/851,924 patent/US20230057518A1/en active Pending
- 2022-07-14 CN CN202210830917.9A patent/CN115714615A/zh active Pending
- 2022-07-27 TW TW111128125A patent/TWI844899B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111665533A (zh) * | 2019-03-07 | 2020-09-15 | 中国科学院上海高等研究院 | 基于卫星定位有效性的定位方法/系统、介质及设备 |
| US20210095965A1 (en) * | 2019-09-26 | 2021-04-01 | Harbin Engineering University | Elman neural network assisting tight-integrated navigation method without GNSS signals |
| CN111854741A (zh) * | 2020-06-16 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种gnss/ins紧组合滤波器及导航方法 |
| CN112902989A (zh) * | 2021-05-07 | 2021-06-04 | 腾讯科技（深圳）有限公司 | 数据误差标定方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202309549A (zh) | 2023-03-01 |
| US20230057518A1 (en) | 2023-02-23 |
| CN115714615A (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6313786B1 (en) | Method and apparatus for measurement processing of satellite positioning system (SPS) signals | |
| US7948435B2 (en) | Method and apparatus for determining the geographic location of a device | |
| US20130017840A1 (en) | Position estimating for a mobile device | |
| JP2005524073A (ja) | ハイブリッド位置決定システムにおける無線端末のための位置決定 | |
| KR20010098736A (ko) | 통합 무선 글로벌 측위 시스템에서의 피일럿 페이즈오프셋 시간 지연 파라미터 결정 방법 및 무선 터미널위치 결정 방법 | |
| JP2016514247A (ja) | 地上測位システム較正 | |
| WO2017119969A1 (en) | IMPROVED eLORAN POSITIONING VIA CROWDSOURCING | |
| JP5934054B2 (ja) | 測位信号捕捉支援ウィンドウ評価のための方法およびシステム | |
| RU2625819C1 (ru) | Способ вспомогательного захвата в приемнике объединенной навигационной системы | |
| TWI844899B (zh) | 無線設備及對無線設備定位的方法 | |
| JP2022132191A (ja) | 車両のｇｎｓｓに基づく位置特定のための方法 | |
| Fakhreddine et al. | Data fusion for hybrid and autonomous time-of-flight positioning | |
| Richardson et al. | Analysis of multi-constellation GNSS signal quality | |
| Sheynblat et al. | Description of a Wireless Integrated SmartServer™/Client System Architecture | |
| Karunanayake et al. | Analysis of assistance data on AGPS performance | |
| US20240159914A1 (en) | Method for taking provided gnss-relevant route information into account in the gnss-based localization of vehicles | |
| KR20190006560A (ko) | 위성 신호 처리를 위한 방법 및 시스템 | |
| Orus-Perez et al. | Evaluation and calibration of GNSS receivers for ionospheric delay and scintillation measurements |