【技术实现步骤摘要】
本申请的实施例涉及导航系统的，尤其涉及一种基于强化学习因子图权重估计的融合定位方法及相关设备。
技术介绍
1、相关的定位技术方法中，在一些复杂场景中，例如，高度城市化区域、森林或隧道等场景下，定位精度容易受到影响。
2、进一步地，在上述复杂场景中，或者在某一传感器的信息失效或不可用时，往往需要进行复杂的系统重构来适应新的传感器组合，这种重构过程可能会导致算法的稳定性和可靠性受到影响，增加了系统的复杂性和计算成本。
3、同时，在复杂场景下，可用于定位的卫星数量往往较少，当可用观测卫星数量少于四颗时，接收机很难准确计算位置，传统的松耦合因子图失去了接收机位置约束，在这种情况下，仅依靠惯性测量单元进行定位算法，因此误差会迅速积累，定位精度会显著下降。
4、进一步地，在复杂场景下，卫星导航系统的原始观测数据往往受到非视距接收和多路径反射等因素的影响，导致数据中存在大量粗差，而紧耦合因子图的定位精度高度依赖于因子权重的准确度，这导致导航的精度严重下降。
技术实现思路
<...【技术保护点】
1.一种基于强化学习因子图权重估计的融合定位方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用构建的因子图，对所述第一定位结果与所述第二观测量按照确定出的第二权重进行融合之前，还包括：
3.根据权利要求1所述的方法，其特征在于，所述生成对抗网络包括由多层感知网络构成的生成模型和用于二分类的判别模型；
4.根据权利要求1所述的方法，其特征在于，所述多任务学习网络包括特征提取层和多个输出层；所述特征提取层用于提取特征，每个输出层利用所述特征提取层提取到的特征进行各自的预测任务；
5.根据权利要求1所...
【技术特征摘要】
1.一种基于强化学习因子图权重估计的融合定位方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用构建的因子图，对所述第一定位结果与所述第二观测量按照确定出的第二权重进行融合之前，还包括：
3.根据权利要求1所述的方法，其特征在于，所述生成对抗网络包括由多层感知网络构成的生成模型和用于二分类的判别模型；
4.根据权利要求1所述的方法，其特征在于，所述多任务学习网络包括特征提取层和多个输出层；所述特征提取层用于提取特征，每个输出层利用所述特征提取层提取到的特征进行各自的预测任务；
5.根据权利要求1所述的方法，其特征在于，所述第二观测量包括多类预积分；
6.根据权利要求5所述的方法，其特...
【专利技术属性】
技术研发人员：赵方，赵瑛珲，罗海勇，宁勃锟，吴凡，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。