基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法技术

本发明专利技术公开了一种基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法，包括：离线状态下，采用GNSS/INS观测参数构建训练集数据，使用GRU作为噪声预测模型进行模型训练；在线状态下，通过GNSS/INS观测值构建状态模型，同时将GNSS/INS观测值作为训练后的噪声预测模型的输入得到预测的量测噪声，并通过所述预测的量测噪声构建量测模型，最后由所述状态模型和所述量测模型进行滤波估计处理输出定位结果。本发明专利技术方法根据环境参数回归预测得到的量测噪声阵更能反应环境的变化，更有效地调节滤波增益，实现噪声协方差阵的自适应调节，提高城市环境下实际估计的准确性。高城市环境下实际估计的准确性。高城市环境下实际估计的准确性。

【技术实现步骤摘要】
基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法


[0001]本专利技术涉及一种GNSS/INS紧组合定位方法，特别是一种基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法。

技术介绍

[0002]GNSS/INS紧组合定位依靠非线性滤波算法实现定位误差估计。卡尔曼滤波本身通过滤波增益阵可以实现一定的调节作用，调节性能与模型精度有关。在城市环境的车载应用中，量测噪声的变化不易准确建模，惯性器件偏差也并非定值，因此难以准确获得INS器件误差和GNSS量测噪声。这意味着在变化的动态环境中，使用简单的高度角定权或调参等常规方法设计的固定滤波器噪声模型存在缺陷。一般高斯滤波通过噪声协方差阵调节滤波增益并影响滤波结果。根据调参设计的固定量测噪声阵，在面对复杂遮挡和干扰时，因噪声参数不随环境因素变化而无法起到调节作用。同时，城市环境下过于复杂的量测噪声变化也导致实际应用中通过数值建模的方式难以准确构建量测噪声模型。

技术实现思路

[0003]针对上述现有技术缺陷，本专利技术的任务在于提供一种基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法，解决量测噪声模型构建不准确而影响定位精度的问题。
[0004]本专利技术技术方案如下：一种基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法，包括以下步骤：一、离线状态下，采用GNSS/INS观测参数构建训练集数据，使用GRU作为噪声预测模型进行模型训练；二、在线状态下，通过GNSS/INS观测值构建状态模型，同时将GNSS/INS观测值作为训练后的噪声预测模型的输入得到预测的量测噪声，并通过所述预测的量测噪声构建量测模型，最后由所述状态模型和所述量测模型进行滤波估计处理输出定位结果。
[0005]进一步地，所述GNSS/INS观测参数包括高度角、方位角、载波观测值和信噪比，所述高度角、方位角、载波观测值和信噪比构成所述噪声预测模型的训练集的特征量，通过定位参考值与定位结果之间的偏差构建所述噪声预测模型的训练集的标签量。
[0006]进一步地，所述定位参考值与定位结果之间的偏差由以下方法得到：
[0007][0008]取状态向量前三项，表示真实三维定位误差，P
Ref
表示定位参考值，P
est
表示用GNSS/INS紧组合算法估计得到的定位结果，获得量测残差向量：
[0009][0010]其中，是第k历元反向计算的量测残差，Z
k
是第k历元的量测向量，由所述量测残差向量构成所述噪声预测模型的训练集的标签量。
[0011]进一步地，所述训练集数据在对所述噪声预测模型训练前进行数据处理，所述数据处理包括删除所述训练集数据中可见卫星数少于4颗的数据。
[0012]进一步地，所述通过预测的量测噪声构建量测模型时，是由GNSS/INS观测值输入训练后的噪声预测模型得到的量测噪声误差计算量测噪声协方差阵
[0013][0014]其中只保留斜对角线参数。
[0015]本专利技术与现有技术相比的优点在于：
[0016]本专利技术首先使用GRU网络离线训练信噪比、高度角等特征参数与观测残差之间的映射模型，然后在构建量测模型过程中使用在线预测的观测残差取代传统调参或数值建模的量测噪声参数，实现量测噪声协方差阵的动态更新，最终通过滤波估计输出最终结果。本专利技术根据环境参数回归预测得到的量测噪声阵更能反应环境的变化，更有效地调节滤波增益，实现噪声协方差阵的自适应调节，提高城市环境下实际估计的准确性。
附图说明
[0017]图1为本专利技术实施例的基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法的步骤示意图。
[0018]图2为具体实施中的0922数据集GNSS双差宽巷观测值。
[0019]图3为具体实施中的0418数据集GNSS双差宽巷观测值。
[0020]图4为模型训练损失函数绝对误差均值曲线。
[0021]图5为验证集模型训练残差统计。
[0022]图6为验证集预测值与真值符合度。
[0023]图7为具体实施中的1207数据集的卫星数。
[0024]图8为具体实施中的1207数据集模糊度小数部分。
[0025]图9为模糊度小数部分概率分布。
[0026]图10为使用定位参考值推算出的量测残差。
[0027]图11为机器学习预测的量测残差。
[0028]图12为基于GRU改进的紧组合定位算法获取的E方向定位误差曲线。
[0029]图13为基于GRU改进的紧组合定位算法获取的N方向定位误差曲线。
[0030]图14为基于GRU改进的紧组合定位算法获取的U方向定位误差曲线。
[0031]图15为基于常规紧组合定位算法获取的E方向定位误差曲线。
[0032]图16为基于常规紧组合定位算法获取的N方向定位误差曲线。
[0033]图17为基于常规紧组合定位算法获取的U方向定位误差曲线。
具体实施方式
[0034]下面结合实施例对本专利技术作进一步说明，但不作为对本专利技术的限定。
[0035]本专利技术实施例涉及的基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法，该方法首先使用GRU网络离线训练信噪比、高度角等特征参数与观测残差之间的映射模型，然后在构建量测模型过程中使用在线预测的观测残差取代传统调参或数值建模的量测噪声参数，实现量测噪声协方差阵的动态更新。
[0036]具体请结合图1所示，基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法，分为两个回路。两个回路不在同一个时间执行。在确保硬件设备不变更的前提下，首先
进行模型训练回路。该回路在复杂路况中采集训练用的数据，同时也要运行常规的GNSS/INS紧组合算法，利用观测数据和解算数据自建训练集。训练集构建的初期需要尽可能多地顾及场景种类，确保观测环境中包含复杂场景所包含的观测环境元素。经过参数选择之后将采集完成的观测数据整理成特定格式的训练集，这个过程也称为“数据清洗”。
[0037]按照机器学习规则，选定的参数被分成特征量和标签量。其中特征量有多列数据构成，标签量有一列。因此该回归任务是多元回归。特征量表示学习对象的属性，在城市环境中应用的GNSS/INS紧组合定位中意味着与环境相关的观测参数。标签量既是学习结果的参考值，也是需要预测的目标参数，在紧组合定位应用中指的是量测噪声。城市中建筑物等对GNSS信号的干扰导致信号质量降低，信噪比或载噪比可以用来体现信号质量。信号质量会影响测距误差，降低定位精度。然而，仅仅选择信号质量参数并不足够，特别是在复杂的物理环境中，还需要考虑其他变量。本专利技术中选择了高度角、方位角、载波观测值、信噪比作为特征量参与机器学习过程。
[0038]本专利技术中需要预测的参数是用于构建量测模型的量测噪声。目前常用的固定观测噪声设计在城市环境内应用时无法应对环境变化造成的观测值变化。所以，为了应对不同环本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法，其特征在于，包括以下步骤：一、离线状态下，采用GNSS/INS观测参数构建训练集数据，使用GRU作为噪声预测模型进行模型训练；二、在线状态下，通过GNSS/INS观测值构建状态模型，同时将GNSS/INS观测值作为训练后的噪声预测模型的输入得到预测的量测噪声，并通过所述预测的量测噪声构建量测模型，最后由所述状态模型和所述量测模型进行滤波估计处理输出定位结果。2.根据权利要求1所述的基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法，其特征在于，所述GNSS/INS观测参数包括高度角、方位角、载波观测值和信噪比，所述高度角、方位角、载波观测值和信噪比构成所述噪声预测模型的训练集的特征量，通过定位参考值与定位结果之间的偏差构建所述噪声预测模型的训练集的标签量。3.根据权利要求2所述的基于机器学习进行量测噪声预测的GNSS/INS紧组合定位方法，其特征在于，所述定位参考值与定位结果之间的偏差由以下方法得到：法，其...

【专利技术属性】
技术研发人员：叶飞，焦洪宇，陈庆樟，马春，朱海民，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：