一种非视距信号分类增强GNSS标准单点定位方法及装置与流程

本技术涉及卫星导航定位，尤其涉及一种非视距信号分类增强gnss标准单点定位方法及装置。

背景技术：

1、全球导航卫星系统（gnss）标准单点定位（spp）作为一种基础的卫星定位方法，广泛应用于车载导航、智能手机位置服务、低精度测绘及物联网终端定位等领域。在复杂城市环境中，由于建筑物遮挡引起的非视距（nlos）观测，会显著降低信号观测质量，从而导致定位误差变大。为改善定位精度，近年来部分方法引入机器学习模型对gnss观测质量进行评估，并将模型输出用于最小二乘加权处理。

2、现有基于机器学习的调权方法通常基于单历元单颗卫星观测特征构建模型，对每一条信号进行独立处理，输出nlos概率或观测可信度，并据此构建加权最小二乘中的随机模型或权重函数，从而实现对异常观测的抑制或降权处理。

3、然而，该类方法普遍假设各卫星观测之间相互独立，且在时间维度上仅基于单历元信息进行判断，未充分考虑观测数据在时间上的连续性以及不同卫星在空间遮挡结构中的相关性。因此，在信号被建筑边缘区域遮挡这类复杂条件下容易出现分类不稳定，从而影响定位解算的鲁棒性。因此，如何利用卫星信号的时空相关性提高观测质量评估的可靠性是基于非视距信号分类的单点定位系统亟需克服的难题。

技术实现思路

1、基于上述技术问题，本发明公开了一种非视距信号分类增强gnss标准单点定位方法及装置；其所述一种非视距信号分类增强gnss标准单点定位方法，包括：

2、获取gnss接收机的原始观测数据与广播星历，并生成包含伪距残差、伪距率一致性、载噪比、仰角和方位角的信号特征集合；

3、在gnss天线位置采集鱼眼天空图像，将卫星信号投影至所述鱼眼天空图像中，并基于投影结果和所述信号特征集合，构建带标签的信号分类数据集；

4、基于所述仰角与所述方位角，构建包含卫星集合、边集合及邻接矩阵的图模型；所述图模型中的无向边与动态有向边用于构建完整的图模型邻接矩阵；

5、基于所述图模型，提取卫星间的空间上下文信息；所述空间上下文信息作为条件信息生成调制参数，对所述信号特征集合中卫星信号的时序特征进行自适应调整，以输出每个卫星信号的非视距概率；

6、基于标准伪距观测方程构建单点定位观测方程，利用仰角-载噪比随机模型计算各卫星的观测方差，并根据所述非视距概率对所述观测方差进行放大调整；基于调整后的观测方差计算各卫星的权重系数，构建加权最小二乘模型并解算，得到接收机位置信息。

7、优选的，所述生成包含伪距残差、伪距率一致性、载噪比、仰角和方位角的信号特征集合，具体包括：

8、基于所述原始观测数据中的伪距观测值、所述广播星历中的卫星位置与钟差参数，以及对流层延迟与电离层延迟改正数，计算理论伪距，并将所述伪距观测值与所述理论伪距之差作为所述伪距残差；

9、基于当前历元与上一历元的伪距观测值、多普勒频移观测值及载波频率，计算伪距变化率与多普勒导出伪距率的一致性度量，作为所述伪距率一致性；

10、将所述原始观测数据中的伪距残差、伪距率一致性及载噪比作为信号特征集合的组成要素，并基于同一历元下所有可见卫星的上述特征构建多维信号特征张量；同时，利用各可见卫星的卫星仰角、卫星方位角与卫星星座构建卫星的空间信息集合。

11、优选的，所述在gnss天线位置采集鱼眼天空图像，将卫星信号投影至所述鱼眼天空图像中，并基于投影结果和所述信号特征集合，构建带标签的信号分类数据集，具体包括：

12、在与gnss天线相位中心位置一致且姿态已标定的条件下采集鱼眼天空图像，并对所述鱼眼天空图像进行语义分割，生成二值化天空掩膜，其中天空区域像素值为1，遮挡区域像素值为0；

13、基于相机的内参矩阵与外参矩阵，将各卫星的仰角与方位角转换为鱼眼图像坐标系下的像素坐标；

14、判断各卫星对应的像素坐标在所述二值化天空掩膜中的取值：若取值为1，则将该卫星标记为视距信号标签；若取值为0，则将该卫星标记为非视距信号标签；

15、将各历元的所述多维信号特征张量与对应的视距/非视距标签配对，构建用于模型预训练的带标签信号分类数据集。

16、优选的，所述基于所述仰角与所述方位角，构建包含卫星集合、边集合及邻接矩阵的图模型，具体包括：

17、以当前历元所有可见卫星作为节点构建所述卫星集合；

18、基于任意两颗卫星之间的球面距离构建表征邻近相似性的无向边，基于将其中一颗卫星方位角旋转180°后与另一颗卫星的球面距离构建表征对称相似性的无向边，基于属于同一导航系统的卫星对构建表征同星座相似性的无向边；

19、针对满足方位角差小于预设阈值且仰角差大于预设阈值的卫星对，构建表征遮挡依赖性的动态有向边，所述动态有向边包含方向相反的两条有向边，其权重由多层感知机基于两颗卫星的信号特征及仰角差自适应学习得到；

20、将所有无向边的权重与动态有向边的权重组合，构建完整的图模型邻接矩阵。

21、优选的，所述基于所述图模型，提取卫星间的空间上下文信息，具体包括：

22、将所述多维信号特征张量输入多层感知机，通过非线性映射学习不同信号特征之间的隐式交互关系，得到隐式交互特征表示；

23、将所述隐式交互特征表示作为节点初始特征输入图神经网络；

24、在所述图神经网络的每一层消息传递过程中，基于所述图模型邻接矩阵聚合邻居节点的特征信息，并通过非线性变换更新节点特征；

25、经过预设层数的消息传递后，将最终输出的节点特征作为各卫星对应的空间上下文信息，所述空间上下文信息表征了该卫星与其周围卫星在遮挡状态与信号质量上的空间关联性。

26、优选的，所述空间上下文信息作为条件信息生成调制参数，对所述信号特征集合中卫星信号的时序特征进行自适应调整，以输出每个卫星信号的非视距概率，具体包括：

27、将过去n个历元至当前历元的所述隐式交互特征表示输入门控循环单元，提取各卫星信号的时序演化特征；

28、将所述空间上下文信息输入条件调制网络，生成与各卫星对应的缩放参数与偏移参数；

29、利用所述缩放参数与偏移参数对各卫星的所述时序演化特征进行逐元素仿射变换，实现特征的自适应调整；

30、将调整后的时序特征输入全连接层并经sigmoid激活函数处理，输出各卫星信号属于非视距信号的概率值。

31、优选的，所述利用仰角-载噪比随机模型计算各卫星的观测方差，并根据所述非视距概率对所述观测方差进行放大调整，具体包括：

32、基于各卫星的仰角与载噪比，通过仰角-载噪比随机模型计算基准观测方差；

33、将所述非视距概率作为方差放大因子，对所述基准观测方差进行线性放大得到调整后的观测方差；其中，非视距概率越高，调整后的观测方差越大。

34、优选的，所述基于调整后的观测方差计算各卫星的权重系数，构建加权最小二乘模型并解算，得到接收机位置信息，具体包括：

35、将各卫星调整后的观测方差的倒数作为对应卫星的权重系数，构建对角权重矩阵；

36、基于标准伪距观测方程构建线性化误差方程，将所述对角权重矩阵代入加权最小二乘准则，构建目标函数；

37、对所述目标函数进行迭代求解，当相邻两次迭代的位置改正量模值小于预设收敛阈值时，停止迭代并输出当前接收机位置估计值作为最终定位结果。

38、一种非视距信号分类增强gnss标准单点定位装置，所述装置包括特征生成单元、数据集构建单元、图模型构建单元、非视距概率预测单元及位置信息计算单元，具体为：

39、所述特征生成单元获取gnss接收机的原始观测数据与广播星历，并生成包含伪距残差、伪距率一致性、载噪比、仰角和方位角的信号特征集合；

40、所述数据集构建单元在gnss天线位置采集鱼眼天空图像，将卫星信号投影至所述鱼眼天空图像中，并基于投影结果和所述信号特征集合，构建带标签的信号分类数据集；

41、所述图模型构建单元基于所述仰角与所述方位角，构建包含卫星集合、边集合及邻接矩阵的图模型；所述图模型中的无向边与动态有向边用于构建完整的图模型邻接矩阵；

42、所述非视距概率预测单元基于所述图模型，提取卫星间的空间上下文信息；所述空间上下文信息作为条件信息生成调制参数，对所述信号特征集合中卫星信号的时序特征进行自适应调整，以输出每个卫星信号的非视距概率；

43、所述位置信息计算单元，用于基于标准伪距观测方程构建单点定位观测方程，利用仰角-载噪比随机模型计算各卫星的观测方差，并根据所述非视距概率对所述观测方差进行放大调整；基于调整后的观测方差计算各卫星的权重系数，构建加权最小二乘模型并解算，得到接收机位置信息。

44、一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行任一项所述的方法。相对于现有技术，本技术的技术方案具有以下技术效果：

45、本发明同步提取卫星信号时序特征与卫星间空间关联信息，根据图模型完整刻画不同卫星的遮挡相关性，借助时空特征融合机制完成非视距信号判别，能够稳定识别复杂城市遮挡环境下的异常卫星信号，规避单历元独立判断带来的分类波动问题，提升信号类别判定的整体可靠程度。

46、本发明根据鱼眼天空图像完成卫星信号标签标定，构建特征与真实遮挡状态匹配的专用训练数据集，保障分类模型学习到贴合实际传播场景的信号变化规律，让模型在各类建筑遮挡场景下均具备稳定的信号区分能力，夯实非视距概率输出的基础精度。

47、本发明设计无向边与动态有向边结合的卫星图结构，全方位覆盖卫星球面邻近、同星座、方位仰角遮挡依赖等多层空间关系，通过图神经网络聚合邻域卫星特征，充分挖掘群体卫星遮挡状态的内在关联，丰富信号分类可用的空间上下文判别依据。

48、本发明将输出的非视距概率引入观测方差自适应调节，依据信号受遮挡程度动态分配卫星观测权重，弱化异常信号对定位解算的干扰，同时保留观测中有效信息，优化单点定位观测方程的随机模型，持续提升接收机位置解算的稳定程度。

49、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，从而可依照说明书的内容予以实施，并且为了让本技术的上述和其他目的、特征和优点能够更明显易懂，以下以本技术的较佳实施例并配合附图详细说明如后。

50、根据下文结合附图对本技术具体实施例的详细描述，本领域技术人员将会更加明了本技术的上述及其他目的、优点和特征。