基于机器学习的GNSS定位方法及装置.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CN111221011A(43)申请公布日2020.06.02(21)申请号201811423812.1(22)申请日2018.11.26(71)申请人千寻位置网络有限公司地址200433上海市杨浦区军工路1436号64幢一层J165室(72)发明人邢菊红邱模波王勇松徐坤(74)专利代理机构上海市海华永泰律师事务所31302代理人包文超(51)Int.Cl.G01S19/42(2010.01)权利要求书2页说明书9页附图6页(54)发明名称基于机器学习的GNSS定位方法及装置(57)摘要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。CN111221011ACN111221011A权利要求书1/2页1.一种基于机器学习的GNSS定位方法，其特征在于，所述GNSS定位方法包括以下步骤：进行初始定位，初始定位完成后计算GNSS观测量的伪距先验残差和多普勒先验残差，在此基础上引入机器学习中的k-mean聚类算法进行GNSS观测量的质量控制，剔除误差较大的观测量，避免将其用于最终定位解算；以卫星信噪比，跟踪的卫星颗数、所有跟踪卫星的平均高度角，所有卫星的伪距先验残差的均值和标准差以及已知的场景标签作为训练样本，进行支持向量机模型参数的训练学习，获得待识别场景对应的支持向量机分类函数后，以卫星信噪比，跟踪的卫星颗数、所有跟踪卫星的平均高度角，所有卫星伪距先验残差的均值和标准差作为输入，进行场景识别；以所有跟踪卫星的多普勒先验残差以及已知的运动模式作为训练样本，进行支持向量机模型参数的训练学习，获得运动模式对应的支持向量机分类函数后，以卫星的多普勒先验残差作为输入，进行运动模式识别；基于场景识别对GNSS观测量进行调整，基于运动模式识别对GNSS定位方法进行调整。2.如权利要求1所述的一种基于机器学习的GNSS定位方法，其特征在于，初始定位之后，在计算伪距先验残差和多普勒先验残差的基础上采用基于k-mean聚类算法对GNSS观测量的质量进行控制。3.如权利要求2所述的一种基于机器学习的GNSS定位方法，其特征在于，基于待识别场景对应的支持向量机分类函数，计算分类函数的值，同时获得对应决策函数的值，根据决策函数的值进行场景识别。4.如权利要求2所述的一种基于机器学习的GNSS定位方法，其特征在于，基于运动模式对应的支持向量机分类函数，计算分类函数的值，同时获得对应决策函数的值，根据决策函数的值进行进行运动模式识别。5.如权利要求2所述的一种基于机器学习的GNSS定位方法，其特征在于，采用基于k-mean聚类的质量控制算法对计算获得的GNSS观测量的伪距先验残差和多普勒先验残差进行聚类，并确定异常簇类，根据设置的阈值，对异常簇类对应的GNSS观测量进行拒绝处理。6.如权利要求5所述的一种基于机器学习的GNSS定位方法，其特征在于，所述待识别场景包括开阔场景、高架下场景和高楼旁场景。7.如权利要求6所述的一种基于机器学习的GNSS定位方法，其特征在于，基于场景识别训练学习阶段获得的支持向量机模式，在GNSS定位过程中实时进行开阔场景、高架下场景和高楼旁场景识别。8.如权利要求6所述的一种基于机器学习的GNSS定位方法，其特征在于，基于运动模式识别训练学习阶段获得的支持向量机模式，在GNSS定位过程中实时进行运动模式识别，所述运动模式包括静态模式和动态模式。9.如权利要求6所述的一种基于机器学习的GNSS定位方法，其特征在于，基于场景识别和运动模式识别的结果，通过定位滤波器进行位置解算和速度解算，输出解算结果。10.如权利要求9所述的一种基于机器学习的GNSS定位方法，其特征在于，基于场景识别对GNSS观测量的质量的控制策略和定位策略进行调整，具体包括以下步骤：根据不同场景调整质量控制算法中的阈值；根据不同场景调整定位滤波器中的参数设置；根据场景识别的结果对输出位置完好性置信度计算逻辑进行设置。2CN111221011A权利要求书2/2页11.如权利要求8所述的一种基于机器学习的GNSS定位方法，其特征在于，所述基于运动模式识别对GNSS定位方法进行