利用机器学习模型在GNSS接收器中的多径缓解制造技术

在一个实施例中，使用机器学习技术来减轻L5GNSS接收器中的多径。在一个实施例中，生成训练数据以提供用于接收到的GNSS信号的集合的额外路径长度(EPL)校正的地面实况数据。系统从接收到的GNSS信号的集合中提取特征并使用提取的特征和地面实况数据来训练一个或多个神经网络的集合，这些神经网络能够为伪距测量产生EPL校正。经训练的一个或多个神经网络的集合能够部署在GNSS接收器中并在GNSS接收器中使用，以使用由经训练的神经网络的集合提供的EPL校正来校正伪距测量。

【技术实现步骤摘要】
【国外来华专利技术】

本公开涉及确定无线电接收器的位置的系统的领域，并且具体地，本公开涉及全球导航卫星系统(gnss)接收器，诸如可以根据从gnss卫星(gnss sv)接收到的信号来确定gnss接收器的位置的gnss接收器。

技术介绍

1、在过去的几十年中，全球导航卫星系统通过提供在跨越交通、农业、海洋和无人驾驶车辆等各种应用中发挥重要作用的定位和导航服务而彻底改变了我们的日常生活。作为示例，uber technologies公司估计在全球每月拥有超过9300万的活跃用户，该公司是基于智能电话的交通服务和叫车应用的先驱之一。

2、gnss接收器在20世纪80年代初首次进入商业领域。随着技术的飞速发展，gnss接收器已经经历了几代的革命。第一代真正的移动接收器仅是l1 c/a代码。第二代大约于2010年开始，当时glonass gnss系统变得现代化且可靠。第三代gnss接收器增加了对欧盟于2011年推出的伽利略系统的支持。第四代的演进花了一些时间，因为它增加了一个新功能，即，支持单旁带l5接收器，其中sv的北斗星座、sv的伽利略星座和sv的us gps星座都具有现本文档来自技高网...

【技术保护点】

1.一种操作GNSS接收器的方法，该方法包括：

2.如权利要求1所述的方法，其中经训练的模型包括一个或多个神经网络的集合，并且GNSS接收器是仅L5 GNSS接收器，其不使用L1 GNSS信号来根据GNSS信号计算位置，并且其中仅L5GNSS接收器不接收也不获取L1 GNSS信号。

3.如权利要求1所述的方法，其中通过从距GNSS SV的测得的伪距减去对应的EPL校正来校正所述一个或多个伪距中的每个伪距，并且其中GNSS信号是具有超过用于L1 GPS信号的码片率的码片率的宽带GNSS信号，并且其中测得的伪距是在GNSS接收器中的延迟锁定环中测量的并且其中所述一个或...

【技术特征摘要】
【国外来华专利技术】

1.一种操作gnss接收器的方法，该方法包括：

2.如权利要求1所述的方法，其中经训练的模型包括一个或多个神经网络的集合，并且gnss接收器是仅l5 gnss接收器，其不使用l1 gnss信号来根据gnss信号计算位置，并且其中仅l5gnss接收器不接收也不获取l1 gnss信号。

3.如权利要求1所述的方法，其中通过从距gnss sv的测得的伪距减去对应的epl校正来校正所述一个或多个伪距中的每个伪距，并且其中gnss信号是具有超过用于l1 gps信号的码片率的码片率的宽带gnss信号，并且其中测得的伪距是在gnss接收器中的延迟锁定环中测量的并且其中所述一个或多个epl校正是基于延迟锁定环(dll)处的输出导出的，该dll是伪随机噪声(prn)跟踪环以跟踪gnss接收器中的伪距。

4.如权利要求1所述的方法，其中所述一个或多个经校正的伪距中的每个伪距被位置引擎用于位置解计算，并且其中所述一个或多个epl校正的集合校正围绕gnss接收器的城市峡谷中gnss信号的多径反射。

5.如权利要求1所述的方法，其中特征的集合包括：(1)来自gnss接收器中的相关器的相继相关向量的集合的相关向量特征，用于来自gnss sv的gnss信号；(2)来自相关器中的每个相关器的相对延迟和相对幅度的互概率分布函数(pdf)数据；(3)与gnss接收器或gnsssv相关的其它特征。

6.如权利要求5所述的方法，其中相关向量特征包括以下一项或多项：(1)相关向量中局部极大点的相对幅度；(2)相关向量中峰的相对延迟；(3)相关向量中最强峰的宽度；或(4)相关向量中强峰的数量。

7.如权利要求6所述的方法，其中互pdf是2d(二维)矩阵格式。

8.如权利要求7所述的方法，其中其它特征包括以下一项或多项：(1)gnss sv的标高；(2)测得的伪距的信噪比(snr)；(3)用于接收gnss信号的天线的类型；(4)gnss接收器的跟踪模式；或(5)gnss接收器的跟踪环配置。

9.如权利要求8所述的方法，其中所述一个或多个神经网络的集合包括：(1)第一卷积神经网络(cnn)，用于接收互pdf数据作为输入；(2)第二cnn，用于接收相关向量特征作为输入；以及(3)第一神经网络，用于接收其它特征。

10.如权利要求9所述的方法，其中该方法还包括：

11.一种存储可执行程序指令的非暂态机器可读介质，所述可执行程序指令在由数据处理系统执行时使得数据处理系统执行一种方法，该方法包括：

12.如权利要求11所述的非暂态机器可读介质，其中经训练的模型包括一个或多个神经网络的集合，并且gnss接收器是仅l5gnss接收器，其不使用l1 gnss信号来根据gnss信号计算位置，并且其中仅l5 gnss接收器不接收也不获取l1 gnss信号。

13.如权利要求11所述的非暂态机器可读介质，其中通过从距gnss sv的测得的伪距减去对应的epl校正来校正所述一个或多个伪距中的每个伪距，并且其中gnss信号是具有超过用于l1 gps信号的码片率的码片率的宽带gnss信号，并且其中测得的伪距是在gnss接收器中的伪距测量系统中测量的并且其中所述一个或多个epl校正是基于来自gnss接收器中的伪距测量系统的输出导出的，并且其中特征的集合包括：(1)来自gnss接收器中的相关器的相继相关向量的集合的相关向量特征，用于来自gnss sv的gnss信号；(2)来自相关器中的每个相关器的相对延迟和相对幅度的互概率分布函数(pdf)数据；(3)与gnss接收器或gnss sv相关的其它特征。

14.如权利要求13所述的非暂态机器可读介质，其中相关向量特征包括以下一项或多项：(1)相关向量中局部极大点的相对幅度；(2)相关向量中峰的相对延迟；(3)相关向量中最强峰的宽度；或(4)相关向量中强峰的数量。

15.如权利要求14所述的非暂态机器可读介质，其中互pdf是2d(二维)矩阵格式。

16.如权利要求15所述的非暂态机器可读介质，其中其它特征包括以下一项或多项：(1)gnss sv的标高；(2)测得的伪距的信噪比(snr)；(3)用于接收gnss信号的天线的类型；(4)gnss接收器的跟踪模式；或(5)gnss接收器的跟踪环配置。

17.如权利要求16所述的非暂态机器可读介质，其中所述一个或多个神经网络的集合包括：(1)第一卷积神经网络(cnn)，用于接收互pdf数据作为输入；(2)第二cnn，用于接收相关向量特征作为输入；以及(3)第一神经网络，用于接收其它特征。

18.如权利要求17所述的非暂态机器可读介质，其中该方法还包括：

19.一种用于训练在gnss接收器中使用的模型的方法，该方法包括：

20.如权利要求19所述的方法，其中经训练的模型包括一个或多个神经网络的集合，并且gnss接收器是仅l5 gnss接收器，其不使用l1 gnss信号来根据gnss信号计算位置，并且其中仅l5gnss接收器不接收也不获取l1 gnss信号。

21.如权利要求19所述的方法，其中特征的集合包括：(1)来自gnss接收器中的相关器的相继相关向量的集合的相关向量特征，用...

【专利技术属性】
技术研发人员：M·马里夫，L·加林，P·麦博尼，
申请(专利权)人：壹航股份有限公司，
类型：发明
国别省市：