[發明專利]基于機器學習的GNSS定位方法及裝置

有效

• 申請號: 201811423812.1
• 申請日: 2018-11-26
• 公開（公告）號: CN111221011B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 邢菊紅;邱模波;王勇松;徐坤
• 申請（專利權）人: 千尋位置網絡有限公司
• 主分類號: G01S19/42
• 分類號: G01S19/42
• 代理公司: 北京東方億思知識產權代理有限責任公司 11258
• 代理人: 趙秀芹

1.一種基于機器學習的GNSS定位方法，其特征在于，所述GNSS定位方法包括以下步驟：

進行初始定位，初始定位完成后計算GNSS觀測量的偽距先驗殘差和多普勒先驗殘差，在此基礎上引入機器學習中的k-mean聚類算法進行GNSS觀測量的質量控制，剔除誤差較大的觀測量，避免將其用于最終定位解算；

以衛星信噪比，跟蹤的衛星顆數、所有跟蹤衛星的平均高度角，所有衛星的偽距先驗殘差的均值和標準差以及已知的場景標簽作為訓練樣本，進行支持向量機模型參數的訓練學習，獲得待識別場景對應的支持向量機分類函數后，以衛星信噪比，跟蹤的衛星顆數、所有跟蹤衛星的平均高度角，所有衛星偽距先驗殘差的均值和標準差作為輸入，進行場景識別；

以所有跟蹤衛星的多普勒先驗殘差以及已知的運動模式作為訓練樣本，進行支持向量機模型參數的訓練學習，獲得運動模式對應的支持向量機分類函數后，以衛星的多普勒先驗殘差作為輸入，進行運動模式識別；

基于場景識別對GNSS觀測量進行調整，基于運動模式識別對GNSS定位方法進行調整；

所述基于運動模式識別對GNSS定位方法進行調整具體包括：

根據不同運動模式設置質量控制算法中的閾值；

根據不同運動狀態模式輸出初始點定位；

靜態模式下增加速度和位置的約束，保證靜態模式下的定位精度。

2.如權利要求1所述的一種基于機器學習的GNSS定位方法，其特征在于，初始定位之后，在計算偽距先驗殘差和多普勒先驗殘差的基礎上采用基于k-mean聚類算法對GNSS觀測量的質量進行控制。

3.如權利要求2所述的一種基于機器學習的GNSS定位方法，其特征在于，基于待識別場景對應的支持向量機分類函數，計算分類函數的值，同時獲得對應決策函數的值，根據決策函數的值進行場景識別。

4.如權利要求2所述的一種基于機器學習的GNSS定位方法，其特征在于，基于運動模式對應的支持向量機分類函數，計算分類函數的值，同時獲得對應決策函數的值，根據決策函數的值進行運動模式識別。

5.如權利要求2所述的一種基于機器學習的GNSS定位方法，其特征在于，采用基于k-mean聚類的質量控制算法對計算獲得的GNSS觀測量的偽距先驗殘差和多普勒先驗殘差進行聚類，并確定異常簇類，根據設置的閾值，對異常簇類對應的GNSS觀測量進行拒絕處理。

6.如權利要求5所述的一種基于機器學習的GNSS定位方法，其特征在于，所述待識別場景包括開闊場景、高架下場景和高樓旁場景。

7.如權利要求6所述的一種基于機器學習的GNSS定位方法，其特征在于，基于場景識別訓練學習階段獲得的支持向量機模式，在GNSS定位過程中實時進行開闊場景、高架下場景和高樓旁場景識別。

8.如權利要求6所述的一種基于機器學習的GNSS定位方法，其特征在于，基于運動模式識別訓練學習階段獲得的支持向量機模式，在GNSS定位過程中實時進行運動模式識別，所述運動模式包括靜態模式和動態模式。

9.如權利要求6所述的一種基于機器學習的GNSS定位方法，其特征在于，基于場景識別和運動模式識別的結果，通過定位濾波器進行位置解算和速度解算，輸出解算結果。

10.如權利要求9所述的一種基于機器學習的GNSS定位方法，其特征在于，基于場景識別對GNSS觀測量的質量的控制策略和定位策略進行調整，具體包括以下步驟：

根據不同場景調整質量控制算法中的閾值；

根據不同場景調整定位濾波器中的參數設置；

根據場景識別的結果對輸出位置完好性置信度計算邏輯進行設置。