[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

本發明提供了一種基于機器學習的GNSS定位方法，包括以下步驟：進行初始定位，計算偽距先驗殘差和多普勒先驗殘差；基于機器學習中的k?mean聚類算法進行GNSS觀測量的質量控制；通過訓練樣本進行場景識別的支持向量機模型參數的訓練學習，獲得對應的支持向量機分類函數后，進行場景識別；以跟蹤衛星的多普勒先驗殘差和已知的運動模式作為訓練樣本，進行運動模式識別的支持向量機模型參數的訓練學習，獲得對應的支持向量機分類函數，以衛星多普勒先驗殘差作為支持向量機模型的輸入，進行運動模式識別；基于場景識別的結果對GNSS觀測量質量控制算法進行調整，基于運動模式識別的結果對GNSS定位策略進行調整。

技術領域

本發明涉及定位技術領域，具體涉及一種基于機器學習的GNSS定位方法及裝置。

背景技術

GNSS(Global Navigation Satellite System，全球導航衛星系統)定位作為一種成熟的導航定位手段，已經被廣泛應用于人類的各個行業，對人類的日常生活產生了深遠的影響。隨著GNSS定位應用范圍的擴大，人們對GNSS定位的精度也提出了更高的要求。

在開闊環境下，GNSS信號較好，定位精度基本可以滿足一般的定位需求；但是在復雜遮擋環境下，由于受到多徑信號等影響，偽距/多普勒觀測量經常會存在較大誤差，如果將有誤差的觀測量直接應用于GNSS定位解算，會造成定位存在較大的偏移。因此在GNSS定位解算前對觀測量進行質量控制顯得尤為重要。

偽距/多普勒觀測量的先驗殘差信息是進行GNSS觀測量質量控制的重要信息，他們一定程度上可以較準確地反映GNSS的觀測量精度。利用機器學習中的k-mean聚類算法分別對所有的偽距觀測量先驗殘差以及多普勒觀測量先驗殘差進行聚類操作，對明顯偏離其它類別的先驗殘差信息對應的觀測量進行剔除，從而避免了將有較大誤差的觀測量信息用于定位造成定位誤差變大的問題；

GNSS定位的應用場景比較廣泛，既包括高架上之類的開闊場景，也包括遮擋嚴重的高架下場景，以及多徑較嚴重的高樓旁場景。在GNSS定位算法中，先進行具體場景的識別和檢測非常重要，因為不同場景的觀測量具有不同的特點，需采用不同的觀測量質量控制算邏輯和閾值進行觀測量的質量控制。GNSS的運動狀態包括動態模式和靜態模式，不同的運動模式需采用不同的定位策略，從而才能實現GNSS定位性能的最優化。

支持向量機是一種基于統計學理論的機器學習算法，采用結構風險最小化準則，在減小模型泛化誤差的上限的同時減小樣本誤差，從而提高模型的泛化能力。支持向量機算法的主要優勢是解決小樣本以及非線性問題。利用GNSS觀測量的平均載噪比、衛星觀測量個數和分布、觀測量先驗殘差信息以及實際的場景分類信息作為支持向量機的樣本，建立支持向量機的學習模型，獲得支持向量，從而再應用于GNSS定位中的場景識別。此外，利用doppler(多普勒)觀測量信息和速度信息作為支持向量機的輸入樣本，進行動態/靜態模式的檢測。場景識別和運動模式檢測為GNSS定位中對不同場景、不同運動模式采取定位策略的差異化奠定基礎，最終目的在于保證各場景下、各運動狀態下的GNSS綜合定位精度。

現有的技術存在以下缺點：

1)復雜環境下GNSS觀測量由于受到遮擋和多徑影響，觀測量存在較大誤差，GNSS定位精度較差；

2)GNSS定位的應用場景比較多樣化，不同場景下的GNSS觀測量具有不同特性，需進行場景識別。GNSS定位的載體一般包括動態和靜態運動模式，不同的的運動模式需采用不同的定位策略。基于傳統方法進行GNSS定位中的場景識別、運動狀態檢測實現起來存在一定的困難。

發明內容

本發明提供了一種基于機器學習的GNSS定位方法及裝置，解決了以下技術問題：

1)在計算出偽距/多普勒先驗殘差信息的基礎上，引入機器學習中的k-mean聚類算法對觀測量進行質量控制，提高惡劣環境下GNSS的定位精度；