基于环境感知的NLOS信号识别方法及装置制造方法及图纸

本申请属于卫星定位导航的技术领域，公开了一种基于环境感知的NLOS信号识别方法及装置，该方法包括：对GNSS接收机的原始测量数据进行处理，得到各个卫星的卫星观测特征，卫星观测特征包括载噪比、卫星高度角、卫星方位角、伪距残差以及伪距率一致性；基于各个卫星的卫星观测特征确定四通道图像，并将四通道图像输入至CNN网络中进行特征提取，得到场景特征；基于场景特征与各个卫星对应的卫星观测特征融合得到各个卫星对应的目标特征向量；以预设时间步长将各个卫星对应的目标特征向量输入到LSTM网络中进行识别，得到各个卫星对应的NLOS信号分类结果。本申请可提高GNSS导航定位中NLOS信号识别的准确性。NLOS信号识别的准确性。NLOS信号识别的准确性。

【技术实现步骤摘要】
基于环境感知的NLOS信号识别方法及装置


[0001]本申请涉及卫星导航定位的
，尤其涉及一种基于环境感知的NLOS信号识别方法及装置。

技术介绍

[0002]GNSS应用的最新趋势是大众市场中智能应用的崛起，包括行人导航、移动定位和自动驾驶。这些应用正在迅速主导市场。然而，GNSS信号的固有缺陷和脆弱性对现代城市应用构成了重大障碍，因为信号可能被建筑物、车辆和地面反射。这种现象被称为多径。此外，还有一种情况是视距信号(Line
‑
of
‑
Sight,LOS)被阻断，只收到反射的信号，称为非视距(Non
‑
Line
‑
of
‑
Sight,NLOS)信号。NLOS信号在密集的城市地区特别常见。
[0003]许多研究人员已提出各种技术来减轻多径和NLOS信号的影响，包括天线设计、基于硬件的解决方案、基于接收机的方法、接收后技术处理和基于现代深度学习的方法。其中，(1)依赖于加强天线设计来缓解多径和NLOS识别的方案，受到终端成本和功耗等因素的限制，使其不适合广泛的消费者使用；(2)改进接收机相关器的结构设计或相关函数的形式来缓解多径和NLOS识别的方案，计算量大，对硬件性能要求高，限制了其实际应用；(3)接收后技术处理的方法考虑到用户的位置，可以利用三维建筑模型来识别信号类型，并消除定位过程中未观察到的信号，需要提前对城市进行详细建模，导致更新缓慢，难以扩展；(4)基于现代深度学习的技术，机器学习被应用于提高GNSS定位的性能，各种分类算法如决策树(DT)、支持向量机(SVM)、卷积神经网络(CNN)和自适应神经模糊推理系统，已被利用于GNSS信号识别，上述深度学习方法中依赖于分析观测数据的时间特征，而基于终端测量的特征量仅反映了信号的时间变化，缺乏卫星的空间分布信息，且在嘈杂的条件下由NLOS信号引起的观察数据表现出非线性时间变化，这导致了上述方法信号类型识别的困难和低准确度。

技术实现思路

[0004]本申请提供了一种基于环境感知的NLOS信号识别方法及装置，本申请可提高GNSS导航定位领域中NLOS信号识别的准确性。
[0005]第一方面，本申请实施例提供了一种基于环境感知的NLOS信号识别方法，该方法包括：
[0006]对GNSS接收机的原始测量数据进行处理，得到各个卫星的卫星观测特征，所述卫星观测特征包括载噪比、卫星高度角、卫星方位角、伪距残差以及伪距率一致性；
[0007]基于各个卫星的卫星观测特征确定四通道图像，并将所述四通道图像输入至CNN网络中进行特征提取，得到场景特征；
[0008]基于场景特征与各个卫星对应的卫星观测特征融合得到各个卫星对应的目标特征向量；
[0009]以预设时间步长将各个卫星对应的目标特征向量输入到LSTM网络中进行识别，得
到各个卫星对应的NLOS信号分类结果。
[0010]进一步的，所述基于各个卫星的卫星观测特征确定四通道图像的步骤包括：
[0011]基于各个卫星的卫星观测特征中的卫星高度角与卫星方位角将可见卫星与受阻卫星映射至预设半径的方形图像上的坐标位置，得到卫星投影图像，其中，所述卫星投影图像为第四通道图像；
[0012]基于各个卫星观测特征中的载噪比、伪距残差以及伪距率一致性在各个卫星映射的坐标位置处分别对所述卫星投影图像进行Voronoi图插值处理，得到第一通道图像、第二通道图像及第三通道图像。
[0013]进一步的，所述CNN网络包括第一层卷积层、批归一化层、第一个池化层、第二层卷积层、批归一化层、第二个池化层、展平层、第一个全连接层、第二个全连接层以及第三个全连接层，其中，CNN网络将输入的四通道图像映射成一个8x1的向量，所述8x1的向量为8维场景特征向量。
[0014]进一步的，所述LSTM网络按序包括两层LSTM层、两层全连接的隐藏层以及一层输出层，其中，第一层LSTM层的特征维度为128，第二层LSTM层的特征维度为64，第一层全连接隐藏层的特征维度为16，第二层全连接隐藏层的特征维度为2；输出层使用softmax激活函数，将输入向量转换为LOS信号与NLOS信号的类别概率；所述LSTM网络采用Adam优化器进行网络模型优化。
[0015]进一步的，在所述以预设时间步长将各个卫星对应的目标特征向量输入到LSTM网络中进行识别，得到各个卫星对应的NLOS信号识别结果的步骤之后还包括：
[0016]将各个卫星对应的NLOS信号分类结果应用于加权最小二乘法，调整各个卫星的卫星观测数据在定位解算中的权重。
[0017]第二方面，本专利技术还提供一种基于环境感知的NLOS信号识别装置，所述装置包括：
[0018]卫星观测特征确定模块，用于对GNSS接收机的原始测量数据进行处理，得到各个卫星的卫星观测特征，所述卫星观测特征包括载噪比、卫星高度角、卫星方位角、伪距残差以及伪距率一致性；
[0019]场景特征提取模块，用于基于各个卫星的卫星观测特征确定四通道图像，并将所述四通道图像输入至CNN网络中进行特征提取，得到场景特征；
[0020]特征融合模块，用于基于场景特征与各个卫星对应的卫星观测特征融合得到各个卫星对应的目标特征向量；
[0021]NLOS信号识别模块，用于以预设时间步长将各个卫星对应的目标特征向量输入到LSTM网络中进行识别，得到各个卫星对应的NLOS信号分类结果。
[0022]进一步的，所述场景特征提取模块，还具体用于：
[0023]基于各个卫星的卫星观测特征中的卫星高度角与卫星方位角将可见卫星与受阻卫星映射至预设半径的方形图像上的坐标位置，得到卫星投影图像，其中，所述卫星投影图像为第四通道图像；
[0024]基于各个卫星观测特征中的载噪比、伪距残差以及伪距率一致性在各个卫星映射的坐标位置处分别对所述卫星投影图像进行Voronoi图插值处理，得到第一通道图像、第二通道图像及第三通道图像。
[0025]进一步的，所述CNN网络包括第一层卷积层、批归一化层、第一个池化层、第二层卷
积层、批归一化层、第二个池化层、展平层、第一个全连接层、第二个全连接层以及第三个全连接层，其中，CNN网络将输入的四通道图像映射成一个8x1的向量，所述8x1的向量为8维场景特征向量。
[0026]进一步的，所述LSTM网络按序包括两层LSTM层、两层全连接的隐藏层以及一层输出层，其中，第一层LSTM层的特征维度为128，第二层LSTM层的特征维度为64，第一层全连接的隐藏层的特征维度为16，第二层全连接的隐藏层的特征维度为2；输出层使用softmax激活函数，将输入向量转换为LOS信号与NLOS信号的类别概率；所述LSTM网络采用Adam优化器进行网络模型优化。
[0027]进一步的，在所述以预设时间步长将各个卫星对应的目标特征向量输入到LSTM网络中进行识别，得到各个卫星对应的NLOS信号识别结果的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于环境感知的NLOS信号识别方法，其特征在于，所述方法包括：对GNSS接收机的原始测量数据进行处理，得到各个卫星的卫星观测特征，所述卫星观测特征包括载噪比、卫星高度角、卫星方位角、伪距残差以及伪距率一致性；基于各个卫星的卫星观测特征确定四通道图像，并将所述四通道图像输入至CNN网络中进行特征提取，得到场景特征；基于场景特征与各个卫星对应的卫星观测特征融合得到各个卫星对应的目标特征向量；以预设时间步长将各个卫星对应的目标特征向量输入到LSTM网络中进行识别，得到各个卫星对应的NLOS信号分类结果。2.根据权利要求1所述的方法，其特征在于，所述基于各个卫星的卫星观测特征确定四通道图像的步骤包括：基于各个卫星的卫星观测特征中的卫星高度角与卫星方位角将可见卫星与受阻卫星映射至预设半径的方形图像上的坐标位置，得到卫星投影图像，其中，所述卫星投影图像为第四通道图像；基于各个卫星观测特征中的载噪比、伪距残差以及伪距率一致性在各个卫星映射的坐标位置处分别对所述卫星投影图像进行Voronoi图插值处理，得到第一通道图像、第二通道图像及第三通道图像。3.根据权利要求1所述的方法，其特征在于，所述CNN网络包括第一层卷积层、批归一化层、第一个池化层、第二层卷积层、批归一化层、第二个池化层、展平层、第一个全连接层、第二个全连接层以及第三个全连接层，其中，CNN网络将输入的四通道图像映射成一个8x1的向量，所述8x1的向量为8维场景特征向量。4.根据权利要求1所述的方法，其特征在于，所述LSTM网络按序包括两层LSTM层、两层全连接的隐藏层以及一层输出层，其中，第一层LSTM层的特征维度为128，第二层LSTM层的特征维度为64，第一层全连接隐藏层的特征维度为16，第二层全连接隐藏层的特征维度为2；输出层使用softmax激活函数，将输入向量转换为LOS信号与NLOS信号的类别概率；所述LSTM网络采用Adam优化器进行网络模型优化。5.根据权利要求1所述的方法，其特征在于，在所述以预设时间步长将各个卫星对应的目标特征向量输入到LSTM网络中进行识别，得到各个卫星对应的NLOS信号识别结果的步骤之后还包括：将各个卫星对应的NLOS信号分类结果应用于加权最小二乘法，调整各个卫星的卫星观测数据在定位解算中的权...

【专利技术属性】
技术研发人员：戴志强，李芳，翟春磊，谢婷，朱祥维，
申请(专利权)人：中山大学，
类型：发明
国别省市：