[发明专利]一种基于无监督学习的卫星NLOS信号检测方法

说明书

本发明公开了一种基于无监督学习的卫星NLOS信号检测方法，使用无监督学习对GNSS信号进行分类的关键是从GNSS原始观测数据中提取主要特征，综合考虑不同特征对于GNSS接收信号的影响，选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量；将三个特征值数据进行标准化处理；对每个特征值设定合适的权重，采用k‑means++聚类算法将观测数据划分为视线(LOS)、多径和NLOS三类；将NLOS信号分离后，进行GNSS定位。相较于有监督学习的分类方法，本发明简单有效、易于实现，且无需使用先验信息，能显著降低运算负荷和GNSS设备成本，并提高复杂环境下GNSS定位精度；与传统的阈值法以及RAIM算法相比较，该方法在改善定位的精度方面具有一定的优势。

技术领域

本发明涉及机器学习在GNSS定位领域的应用，尤其是一种基于无监督学习的卫星NLOS信号检测方法。

背景技术

目前，多径效应和非视线(NLOS)信号是制约GNSS定位在复杂环境尤其是城市峡谷中应用的主要因素。随着无人驾驶技术和室外机器人的蓬勃发展以及人们对于低成本GNSS设备定位准确性和可靠性需求的增加，如何消除或抑制多径和NLOS信号对定位的影响成为当下GNSS领域研究的热点。多径通常包含视线(LOS)和反射/衍射信号，而NLOS只包含后者。由多径引起的伪距观测误差一般为米级，载波相位观测误差为厘米级。而NLOS信号接收造成的测距误差在密集城市地区可达数十米，通过远处高楼的反射则有可能会更大，甚至达到一公里以上。为了提高GNSS定位的准确性，应有效规避非视线(NLOS)信号，为此，许多学者对NLOS信号检测和缓解技术进行了研究，如双极化天线、先进接收机算法、传感器集成、三维建筑物模型等。由于真实空间环境的复杂性，一个完全鲁棒的GNSS信号分类算法并不存在，以上方法仍有改进的空间。

近年来，一些学者尝试利用机器学习来检测NLOS信号以增强GNSS的定位性能，取得了良好的效果。但都是基于监督学习的GNSS信号分类方法，需事先对学习样本进行标记，因此需要借助额外的硬件或软件。获取数据标签的方式通常有两种，一种是利用3D建筑模型，根据阴影匹配的方法，通过建筑边界预测卫星的可见度，或者采用射线追踪技术来估计NLOS信号的反射路径。该方法一方面受制于3D建筑模型的精度和同步更新，另一方面必须要给出接收机的准确位置才能获得正确的分类标签。此外，射线追踪造成的大量计算负荷以及实时3D建筑模型的不可获取，都限制了该方法在低成本接收机上的使用。另一种获取数据标签的方法是测量天际线轮廓，即利用加速度计和高清摄像头等硬件设备测量每个建筑角的方位角和高度角，具有较好的测量精度，但处理过程十分复杂且需要人工辅助标记。

无监督学习是一种对不含标记的数据建立模型的机器学习范式，已经广泛应用于数据挖掘、市场细分、医学影像、计算机视觉等领域。本发明提出一种基于无监督学习的GNSS信号分类方法，旨在提高GNSS设备在复杂环境下的定位精度，同时避免额外硬件或软件的使用，降低运算负荷和设备成本。

发明内容

本发明所要解决的技术问题在于，提供一种基于无监督学习的卫星NLOS信号检测方法，能够分离并剔除NLOS信号，并能解决复杂环境下非视线(NLOS)信号接收造成的GNSS定位精度恶化问题，从而显著提升定位精度。

为解决上述技术问题，本发明提供一种基于无监督学习的卫星NLOS信号检测方法，包括如下步骤：

(1)从GNSS原始观测数据中提取主要特征，综合考虑不同特征对于GNSS接收信号的影响，选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量；

(2)将三个特征值数据进行标准化处理；

(3)对每个特征值设定合适的权重，采用k-means++聚类算法将观测数据划分为视线LOS、多径和NLOS三类；

(4)将得到的NLOS标签数据剔除后，进行GNSS定位。