[发明专利]基于机器学习的GNSS定位方法及装置

说明书

本发明提供了一种基于机器学习的GNSS定位方法，包括以下步骤：进行初始定位，计算伪距先验残差和多普勒先验残差；基于机器学习中的k‑mean聚类算法进行GNSS观测量的质量控制；通过训练样本进行场景识别的支持向量机模型参数的训练学习，获得对应的支持向量机分类函数后，进行场景识别；以跟踪卫星的多普勒先验残差和已知的运动模式作为训练样本，进行运动模式识别的支持向量机模型参数的训练学习，获得对应的支持向量机分类函数，以卫星多普勒先验残差作为支持向量机模型的输入，进行运动模式识别；基于场景识别的结果对GNSS观测量质量控制算法进行调整，基于运动模式识别的结果对GNSS定位策略进行调整。

技术领域

本发明涉及定位技术领域，具体涉及一种基于机器学习的GNSS定位方法及装置。

背景技术

GNSS(Global Navigation Satellite System，全球导航卫星系统)定位作为一种成熟的导航定位手段，已经被广泛应用于人类的各个行业，对人类的日常生活产生了深远的影响。随着GNSS定位应用范围的扩大，人们对GNSS定位的精度也提出了更高的要求。

在开阔环境下，GNSS信号较好，定位精度基本可以满足一般的定位需求；但是在复杂遮挡环境下，由于受到多径信号等影响，伪距/多普勒观测量经常会存在较大误差，如果将有误差的观测量直接应用于GNSS定位解算，会造成定位存在较大的偏移。因此在GNSS定位解算前对观测量进行质量控制显得尤为重要。

伪距/多普勒观测量的先验残差信息是进行GNSS观测量质量控制的重要信息，他们一定程度上可以较准确地反映GNSS的观测量精度。利用机器学习中的k-mean聚类算法分别对所有的伪距观测量先验残差以及多普勒观测量先验残差进行聚类操作，对明显偏离其它类别的先验残差信息对应的观测量进行剔除，从而避免了将有较大误差的观测量信息用于定位造成定位误差变大的问题；

GNSS定位的应用场景比较广泛，既包括高架上之类的开阔场景，也包括遮挡严重的高架下场景，以及多径较严重的高楼旁场景。在GNSS定位算法中，先进行具体场景的识别和检测非常重要，因为不同场景的观测量具有不同的特点，需采用不同的观测量质量控制算逻辑和阈值进行观测量的质量控制。GNSS的运动状态包括动态模式和静态模式，不同的运动模式需采用不同的定位策略，从而才能实现GNSS定位性能的最优化。

支持向量机是一种基于统计学理论的机器学习算法，采用结构风险最小化准则，在减小模型泛化误差的上限的同时减小样本误差，从而提高模型的泛化能力。支持向量机算法的主要优势是解决小样本以及非线性问题。利用GNSS观测量的平均载噪比、卫星观测量个数和分布、观测量先验残差信息以及实际的场景分类信息作为支持向量机的样本，建立支持向量机的学习模型，获得支持向量，从而再应用于GNSS定位中的场景识别。此外，利用doppler(多普勒)观测量信息和速度信息作为支持向量机的输入样本，进行动态/静态模式的检测。场景识别和运动模式检测为GNSS定位中对不同场景、不同运动模式采取定位策略的差异化奠定基础，最终目的在于保证各场景下、各运动状态下的GNSS综合定位精度。

现有的技术存在以下缺点：

1)复杂环境下GNSS观测量由于受到遮挡和多径影响，观测量存在较大误差，GNSS定位精度较差；

2)GNSS定位的应用场景比较多样化，不同场景下的GNSS观测量具有不同特性，需进行场景识别。GNSS定位的载体一般包括动态和静态运动模式，不同的的运动模式需采用不同的定位策略。基于传统方法进行GNSS定位中的场景识别、运动状态检测实现起来存在一定的困难。

发明内容

本发明提供了一种基于机器学习的GNSS定位方法及装置，解决了以下技术问题：

1)在计算出伪距/多普勒先验残差信息的基础上，引入机器学习中的k-mean聚类算法对观测量进行质量控制，提高恶劣环境下GNSS的定位精度；