一种高精度定位中导航场景感知增强的GNSS模型自适应优化方法技术

本申请涉及一种高精度定位中导航场景感知增强的GNSS模型自适应优化方法，包括获取GNSS观测数据，提取并计算得到GNSS数据特征，通过SFFS算法构建GNSS数据特征的时序GNSS特征向量；基于GNSS特征向量构建具有时间记忆功能的LSTM神经网络；结合GNSS观测数据和导航场景预设的场景标签训练LSTM神经网络得到LSTM模型；反算伪距与载波相位的残差；拟合残差与预设影响因子之间的函数关系，构建不同分类场景的GNSS随机模型；基于预设的不同分类场景和GNSS观测数据，构建不同分类场景的阈值模型，阈值模型中包括载噪比、卫星高度角以及ratio值。本申请具有提升复杂场景下GNSS定位服务可用性、精确性和连续性，以满足动态复杂环境下的GNSS定位需求的效果。

【技术实现步骤摘要】

本申请涉及gnss的，尤其是涉及一种高精度定位中导航场景感知增强的gnss模型自适应优化方法。

技术介绍

1、多频多模融合的rtd、rtk等技术的不断发展使gnss能够在开阔环境下为用户提供厘米级的高精度动态定位服务。通过与汽车、手机、无人机等载体的融合，gnss的应用环境逐渐从静态、单一、简单向动态、多样、复杂转变。这对复杂环境下的gnss动态定位性能提出了新的要求。

2、不同场景对gnss信号造成的差异性损失使各场景间的gnss观测值质量不再一致；但现有gnss阈值模型多参数固化，这显然与gnss观测值真实质量分布不符；在随机模型优化方面，为表征不同场景下具有差异性的gnss观测值质量，现有技术多针对兴趣站点重建随机模型，该技术针对单一场景进行随机模型优化，这类参数固化的随机模型同样无法适应动态复杂环境下的gnss定位需求；或者在探知站点地形地貌信息后对定权策略进行调整，该类技术的最终效果依赖于地形地貌信息探知的准确度与场景分类的颗粒度。

3、现基于gnss信号的场景感知多使用经验阈值法或者传统机器学习算法，具体实现室内、室外开本文档来自技高网...

【技术保护点】

1.一种高精度定位中导航场景感知增强的GNSS模型自适应优化方法，其特征在于，包括：

2.根据权利要求1所述的一种高精度定位中导航场景感知增强的GNSS模型自适应优化方法，其特征在于，所述获取GNSS观测数据，提取并计算得到GNSS数据特征，所述GNSS数据特征包括分类场景下的载噪比、卫星高度角、DOP数据、卫星数以及多径，包括：

3.根据权利要求2所述的一种高精度定位中导航场景感知增强的GNSS模型自适应优化方法，其特征在于，所述获取GNSS观测数据，提取并计算得到GNSS数据特征，所述GNSS数据特征包括分类场景下的载噪比、卫星高度角、DOP数据、卫星数以及多...

【技术特征摘要】

1.一种高精度定位中导航场景感知增强的gnss模型自适应优化方法，其特征在于，包括：

2.根据权利要求1所述的一种高精度定位中导航场景感知增强的gnss模型自适应优化方法，其特征在于，所述获取gnss观测数据，提取并计算得到gnss数据特征，所述gnss数据特征包括分类场景下的载噪比、卫星高度角、dop数据、卫星数以及多径，包括：

3.根据权利要求2所述的一种高精度定位中导航场景感知增强的gnss模型自适应优化方法，其特征在于，所述获取gnss观测数据，提取并计算得到gnss数据特征，所述gnss数据特征包括分类场景下的载噪比、卫星高度角、dop数据、卫星数以及多径，还包括：

4.根据权利要求3所述的一种高精度定位中导航场景感知增强的gnss模型自适应优化方法，其特征在于，所述通过sffs算法构建所述gnss数据特征的时序gnss特征向量，包括：

5.根据权利要求1所述的一种高精度定位中导航场景感知增强的gnss模型自适应优化方法，其特征在于，所述lstm模型包括遗忘门、更新门、输出门，所述遗忘门包括sigmoid层，所述更新门、输出门均包括sigmoid层和tanh层，所述结合gnss观测数据和导航场景预设的场景标签训练所述lstm神经网络以得到用于场景感知的lstm模型，包括：

6.根据权利要求...

【专利技术属性】
技术研发人员：李岚，满小三，刘勇，何心怡，肖永平，孙德安，
申请(专利权)人：长沙金维集成电路股份有限公司，
类型：发明
国别省市：