一种面向GNSS多种失效状态的车辆定位误差智能预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113703025A(43)申请公布日2021.11.26(21)申请号202110972521.3(22)申请日2021.08.23(71)申请人东南大学地址210096江苏省南京市玄武区四牌楼2号(72)发明人徐启敏阮国星李旭(74)专利代理机构南京众联专利代理有限公司32206代理人张天哲(51)Int.Cl.G01S19/47(2010.01)权利要求书4页说明书9页附图1页(54)发明名称一种面向GNSS多种失效状态的车辆定位误差智能预测方法(57)摘要本发明公开了一种面向GNSS多种失效状态的车辆定位误差智能预测方法。该方法首先根据GNSS失效时的可见星数将失效状态分为0颗星、1颗星、2颗星、3颗星四种，依据定位误差对历史信息的依赖特性，针对不同失效状态下的定位误差预测任务分别建立基于LSTM的深度学习网络；接着，借鉴多任务学习思想，充分利用不同失效状态子任务模型之间的相似性，采用soft参数共享机制进行综合训练，提升各子任务模型的泛化能力；最终，训练完成后的车辆定位误差智能预测模型可以根据实际的可见星数目所决定的输入量个数，选择相应的子任务模型，得到定位误差的预测值。本方法充分利用了GNSS失效状态下的部分可见卫星的信息，模型泛化能力强，定位误差预测准确。CN113703025ACN113703025A权利要求书1/4页1.一种面向GNSS多种失效状态的车辆定位误差智能预测方法，其特征在于：根据所能接收到的卫星数对GNSS的失效状态进行分类，分别利用LSTM深度学习网络建立不同失效状态的定位误差预测模型，并利用多任务学习机制，提高每个子任务模型的泛化性能，训练后的定位误差预测模型可以根据实际的可见卫星数量，判断当前工况所属的子任务模型类别，得到准确的定位误差预测值；具体步骤包括：步骤一：确定模型的输入和输出根据GNSS失效时的可见星数目将失效状态分为0颗星、1颗星、2颗星和3颗星4类，然后将定位误差预测模型分为4个子任务模型，分别对应0颗、1颗、2颗和3颗可见星时的定位误差预测任务；由各子任务模型的训练任务可知，输出量即为GNSS失效状态下的定位误差；输入量为定位误差的主要影响因素，包括可以表示卫星分布的方位角、高度角，此外考虑到定位误差的时间相关特性，失效时间T也作为输入量；需要指出的是，不同子任务的输入量个数是不同的，即0颗可见星时，没有卫星的方位角、高度角作为输入量，当有多颗可见卫星时，每颗卫星的方位角、高度角都作为输入量；步骤二：制作训练样本4个子任务模型的输入量会随着可见星数目的不同而产生变化，但是输出量都是需要预测的定位误差，训练样本的真值为GNSS没有失效时的定位结果与4种不同失效状态下产生的定位结果的差值；在只获得GNSS没有失效时的数据真值的基础上，通过模拟GNSS不同失效状态，即可获得4个子任务模型所需要的数据样本；为了保证所训练模型的泛化性能，4个子任务模型的样本数量应大致相当；步骤三：模型结构设计及训练根据定位误差预测任务的特点，对子任务模型结构和多任务的协调机制分别进行优化设计；(1)子任务的设计LSTM可以增加门控使得深度学习网络可在较长的持续时间内累积信息，并达到收敛状态，使用LSTM的当前输入和上一个时刻传递的状态进行拼接再乘以权重得到以下公式：其中x(t)是时刻t的输入向量，对应在训练过程中的时变GNSS观测量，h(t)是当前隐藏层向量，h(t)包含了所有LSTM单元的输出；式(1)中是经过计算得到的输入数据，i表示第i个LSTM单元，b、U、W分别是LSTM单元的偏置、输入权重和循环权重；式(2)中为外部输入2CN113703025A权利要求书2/4页门，bg、Ug、Wg分别是外部输入门的偏置、输入权重和循环权重；式(3)中为输出门，控制LSTM单元的输出，bo、Uo、Wo分别是输出门的偏置、输入权重和循环权重；式(4)中bf、Uf、Wf分(t)别是遗忘门的偏置、输入权重和循环权重，σ为激活函数，遗忘门fi是单元i在时刻t下控制自循环的权重，来选择哪些信息需要遗忘；长期记忆状态用于记忆GNSS长时间失效时先前的误差状态对当前误差的影响；短期记忆状态用于记忆GNSS短时间失效时先前的误差状态对当前误差的影响；LSTM通过以下公式实现选择记忆：对输入的x(t)进行选择记忆，则是传给下一个状态的信息；(2)多任务学习由于需要训练4个结构相似的LSTM网络，这4个LSTM网络的输入量会随着可见星数目的不同而发生变化；只有0颗星时完全没有GNSS观测量，而有一颗可见星时则有卫星的高度角和方位角作为输入量，有多颗可见星时则有每个卫星的高度角和方位角作为输入量；输出量则都是定位误差，这意味着可以用同一个损失函数去同