[发明专利]GNSS定位方法及装置、设备、存储介质

权利要求书

1.一种GNSS定位方法，其特征在于，所述方法包括：

获取接收设备接收到的待测卫星的第一观测数据；

对所述第一观测数据进行解析，得到第一样本数据集，所述第一样本数据集包括所述待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；

根据所述第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，所述坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。

2.根据权利要求1所述的方法，其特征在于，所述坐标修正模型包括特征提取网络、注意力机制模块和融合模块，所述根据所述第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，包括：

通过所述坐标修正模型中的特征提取网络对所述第一样本数据集进行特征提取处理，得到多级局部特征矩阵；

通过所述坐标修正模型中的注意力机制模块对所述第一样本数据集进行特征提取处理，得到全局上下文特征矩阵；

通过所述坐标修正模型中的融合模块对所述多级局部特征矩阵和所述全局上下文特征矩阵进行融合处理，生成所述修正后的定位坐标。

3.根据权利要求2所述的方法，其特征在于，所述坐标修正模型包括N个层级结构，N0，所述通过所述坐标修正模型中的融合模块对所述多级局部特征矩阵和所述全局上下文特征矩阵进行融合处理，生成所述修正后的定位坐标，包括：

将经由所述特征提取网络中提取得到的第i层局部特征矩阵，与经由融合模块得到的第i-1层融合特征矩阵进行融合处理，得到第i层中间特征矩阵，0i≤N；

根据所述第i层中间特征矩阵和经由注意力机制模块提取得到的第i层全局上下文特征矩阵，得到第i层目标特征矩阵；

循环执行上述步骤，直至得到每一层级对应的目标特征矩阵；

根据所述每一层级对应的目标特征矩阵，生成所述修正后的定位坐标。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第i层中间特征矩阵和经由注意力机制模块提取得到的第i层全局上下文特征矩阵，得到第i层目标特征矩阵，包括：

通过所述注意力机制模块提取得到第i层的自注意力权重矩阵和自注意力加权特征矩阵；

将所述第i层中间特征矩阵与经由注意力机制模块提取得到的第i层全局上下文特征矩阵进行融合处理，得到第i层候选特征矩阵；

将所述候选特征矩阵、所述自注意力权重矩阵和所述自注意力加权特征矩阵进行融合处理，得到所述第i层目标特征矩阵。

5.根据权利要求2所述的方法，其特征在于，所述特征提取网络包括N个残差块，每一残差块中包含有卷积模块，所述通过所述坐标修正模型中的特征提取网络对所述第一样本数据集进行特征提取处理，得到多级局部特征矩阵，包括：

通过第i个残差块中的卷积模块，对所述第一样本数据集进行特征提取处理，得到当前残差块对应的第一局部特征矩阵，0iN；

将所述第i个残差块对应的第一局部特征矩阵和经由第i个残差块对所述第一局部特征矩阵进行映射处理得到的映射特征矩阵进行融合处理，得到中间特征矩阵，并将所述中间特征矩阵输入至第i+1个残差块中，以通过所述第i+1个残差块中的卷积模块对所述中间特征矩阵进行特征提取处理，得到所述第i+1个残差块对应的第二局部特征矩阵；

循环执行上述步骤，直至得到第N个残差块对应的局部特征矩阵；

综合每一残差块对应的局部特征矩阵，得到所述多级局部特征。

6.根据权利要求5所述的方法，其特征在于，所述残差块包括卷积层、归一化层、激活函数和残差单元。

7.根据权利要求1至5任一项所述的方法，其特征在于，所述特征提取网络为深度残差网络ResNet，所述注意力机制模块为基于移动窗口的注意力机制模块Swin Transformer模型。

8.根据权利要求7所述的方法，其特征在于，所述深度残差网络ResNet和所述融合模块中采用ReLU激活函数，所述Swin Transformer模型中采用GELU非线性激活函数。