[发明专利]一种城市峡谷内基于GNSS信号精确分类的加权定位方法

说明书

本发明公开了一种城市峡谷内基于GNSS信号精确分类的加权定位方法，属于卫星定位导航领域，该方法包括步骤1：建立历史训练数据集，从基站处和城市峡谷处采集GNSS数据，结合GNSS数据对卫星信号接收类型进行标定，将卫星信号载噪比C/N₀、卫星高度角θ和卫星信号接收类型组成历史训练数据集；步骤2：采用机器学习算法深度森林，对所述历史训练数据集进行挖掘，生成卫星信号接收类型判断法则；步骤3：从城市峡谷采集GNSS数据，使用深度森林预测卫星信号接收类型，结合加权最小二乘进行定位解算。该方法实现了GNSS信号接收类型的精确分类，结合考虑载噪比和卫星高度角及信号接收类型的加权定位解算有效提高了定位精度。

技术领域

本发明属于卫星定位导航领域，尤其涉及一种城市峡谷内基于GNSS信号精确分类的加权定位方法。

背景技术

智慧城市的发展促使了位置服务应用的蓬勃发展。城市中的位置服务包括智能交通、智能医疗定位和物流监控等多种应用。导航定位技术通过获取载体的实时位置、速度和时间信息，可以为城市环境的位置服务提供重要支撑。全球导航卫星系统(globalnavigation satellite system,GNSS)作为导航定位技术的重要传感器，其信号在城市环境中由于建筑物的遮挡会产生非视距(non-line of sight,NLOS)信号与多路径(multipath)信号。NLOS和Multipath信号会导致GNSS定位产生巨大误差。因此，有效地识别并处理NLOS和Multipath信号对提高GNSS在城市环境中的定位精度具有重要意义。

对于NLOS和Multipath信号的判断和识别方法中，传统的基于载噪比C/N₀和卫星高度角的方法在较空旷环境中具有一定的效果，但是在建筑密集地区中基本只能达到50％左右的正确判断率。为了进一步提高信号接收类型的判断率，近年来通过利用城市环境信息结合机器学习的GNSS原始观测量建模的方法成为研究的热点。Guermah等人提出基于融合RHCP(right hand circular polarization，右旋圆极化)天线和LHCP(left handcircular polarization，左旋圆极化)天线提供的信息和机器学习技术的GNSS信号分类系统，在较空旷环境下实现信号的精确分类，但未在建筑密集地区进行实验；Munin等人提出了利用卷积神经网络(CNN，Convolutional Neural Networks)模型来检测GNSS的多路径信号，并验证了将训练后的模型将其嵌入GNSS接收器的可能性，但仅进行了仿真实验；Hsu等人使用信号强度、信号强度变化率、伪距残差及伪距变化率等变量作为特征，使用支持向量机算法(SVM，Support Vector Machine)获取卫星可见性判断法则，判断准确率相比使用信号强度和伪距残差作为特征有所提高。为了进一步提高定位精度，目前许多学者进一步研究了结合GNSS信号接收类型情况进行加权定位解算的方法。Lyu等人提出了基于SVM信号分类概率的加权方式，通过信号属于视距信号LOS(Line-of-sight)和NLOS的概率综合设定多普勒观测值误差的协方差，以此加权得到定位结果比传统定位结果有所提高，但在其信号分类中未考虑多路径信号Multipath。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

GNSS信号接收类型的离线标定至关重要，离线标定的准确程度决定了机器学习训练结果的准确程度，从而对最终的判断起到决定性的作用。但是，当前文献中GNSS信号的标定使用的都是3D地图信息结合简单的射线追踪方法。这种方法对于信号传播及反射、衍射等问题考虑过于简单，认为GNSS信号电波传播是单纯沿直线传播，假设不够合理，因此导致GNSS信号接收类型的标定精度不足。从而严重影响的后续训练的精度及最终的定位精度。

同时，现有的研究中，针对判断的信号接收类型(Multipath,NLOS)在加权定位解算时，对于权重的设定考虑不够全面合理，通常情况下仅考虑单一载噪比和卫星高度角等因素，权重模型不够合理。

发明内容