本發(fā)明涉及衛(wèi)星定位，尤其是一種基于非直射信號干擾抑制的北斗衛(wèi)星單點定位方法。

背景技術(shù)：

1、北斗全球?qū)Ш叫l(wèi)星系統(tǒng)可以提供實時的絕對位置信息，可以為自動駕駛、智能移動設(shè)備、物聯(lián)網(wǎng)設(shè)備等實現(xiàn)高精度的定位服務(wù)。然而，在城市地區(qū)，北斗衛(wèi)星信號容易被建筑物阻擋，導(dǎo)致接收到非直射(nlos)信號，由于反射產(chǎn)生的額外傳播路徑，nlos信號會在北斗全球?qū)Ш叫l(wèi)星系統(tǒng)測量中引入嚴重的偏差，從而降低定位精度。

2、傳統(tǒng)的nlos干擾緩解方法，如射線追蹤和陰影匹配等，需要三維建筑模型或三維地圖來識別nlos信號，其三維建模成本高。還有就是使用魚眼相機來排除nlos信號或旋轉(zhuǎn)衛(wèi)星天線來減輕nlos多徑誤差；但是，對輔助設(shè)備的需求限制了這些方法的場景應(yīng)用性。

3、近年來，基于機器學(xué)習(xí)的方法已經(jīng)被廣泛應(yīng)用于全球?qū)Ш叫l(wèi)星系統(tǒng)(gnss)定位中，來減輕nlos信號的干擾。如支持向量機(svm)和決策樹(dt)等，這類方法通過采用機器學(xué)習(xí)模型對nlos信號進行分類，從觀測方程中去除已識別的nlos信號，以消除nlos干擾。利用深度學(xué)習(xí)模型識別nlos信號是緩解nlos干擾、提高gnss定位精度的直接有效方法；當(dāng)使用深度學(xué)習(xí)模型跨多個位置或場景進行nlos信號識別時，環(huán)境特征和入射信號的狀態(tài)變化會嚴重影響識別性能。然而，現(xiàn)有這些方法通常只考慮單級特征提取，即信號本身的即時觀測特征；現(xiàn)有方法將識別出來的nlos信號直接剔除，或通過將nlos信號的預(yù)測概率直接與權(quán)重矩陣相乘，減小nlos干擾，以此來提高定位精度。然而，由于nlos干擾主要受環(huán)境和入射信號狀態(tài)的影響，現(xiàn)有nlos信號識別模型未能實現(xiàn)對環(huán)境特征和信號時序特征的有效建模，導(dǎo)致無法跨多個位置或場景實現(xiàn)高精度的nlos識別結(jié)果。

4、其次，在嚴重遮擋的情況下，直接剔除nlos信號可能會減少定位算法可用的衛(wèi)星數(shù)量，導(dǎo)致定位精度降低；若將nlos信號的預(yù)測概率直接與權(quán)重矩陣相乘，由于分類預(yù)測的值是二值化的(0或1)，導(dǎo)致nlos信號的最終分配權(quán)重遠低于正常值，完全忽略了nlos信號的作用，同樣導(dǎo)致定位精度降低。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于非直射信號干擾抑制的北斗衛(wèi)星單點定位方法，本發(fā)明同時對環(huán)境特征以及信號時序特征建模，提高nlos信號跨多個位置或場景的識別性能；并且本發(fā)明通過對nlos信號賦予合適的權(quán)值，在保證實際定位衛(wèi)星數(shù)量的同時，緩解nlos信號對衛(wèi)星定位精度的干擾。

2、本發(fā)明的技術(shù)方案為：一種基于非直射信號干擾抑制的北斗衛(wèi)星單點定位方法，包括以下步驟：

3、s1)、獲取多個位置或場景的衛(wèi)星gnss測量數(shù)據(jù)以及當(dāng)前位置的天空圖；并構(gòu)建預(yù)訓(xùn)練樣本數(shù)據(jù)集；

4、s2)、構(gòu)建基于雙自注意網(wǎng)絡(luò)的nlos信號識別模型；

5、s3)、利用預(yù)訓(xùn)練樣本數(shù)據(jù)集對基于雙自注意網(wǎng)絡(luò)的nlos信號識別模型進行預(yù)訓(xùn)練；

6、s4)、將獲取的gnss測量數(shù)據(jù)和星歷數(shù)據(jù)輸入到預(yù)訓(xùn)練的雙自注意網(wǎng)絡(luò)的nlos信號識別模型預(yù)測信號類型；

7、s5)、利用步驟s4)中的預(yù)測結(jié)果來修正基于仰角的定權(quán)方法；并生成修正權(quán)重矩陣；

8、s6)、利用加權(quán)最小二乘單點定位算法計算用戶的位置。

9、作為優(yōu)選的，步驟s1)中，利用衛(wèi)星接收機記錄多個位置或場景的衛(wèi)星gnss測量數(shù)據(jù)，并使用相機拍攝當(dāng)前位置的天空圖，根據(jù)衛(wèi)星gnss測量數(shù)據(jù)中衛(wèi)星的高度角和方位角計算每一顆衛(wèi)星投影到拍攝的天空圖上的位置，通過衛(wèi)星投影位置是否與建筑物重疊來判斷衛(wèi)星是否為nlos信號，以對衛(wèi)星gnss測量數(shù)據(jù)進行標記，最終構(gòu)建得到預(yù)訓(xùn)練樣本數(shù)據(jù)集。

10、作為優(yōu)選的，步驟s1)中，所述的衛(wèi)星gnss測量數(shù)據(jù)包括多個連續(xù)歷元的所有衛(wèi)星的觀測值特征序列，表示為：

11、

12、作為優(yōu)選的，步驟s1)中，所述的星gnss測量數(shù)據(jù)包括目標衛(wèi)星的觀測值特征、目標衛(wèi)星的歷史歷元的特征序列、以及當(dāng)前歷元所有衛(wèi)星的特征序列。

13、作為優(yōu)選的，步驟s1)中，所述的目標衛(wèi)星的觀測值特征包括衛(wèi)星高度角、方位角、載噪比、偽距殘差。

14、作為優(yōu)選的，步驟s1)中，根據(jù)衛(wèi)星gnss測量數(shù)據(jù)中衛(wèi)星的高度角(仰角)和方位角計算每一顆衛(wèi)星投影到拍攝的天空圖上的位置，具體包括如下步驟：

15、s11)、獲取到衛(wèi)星的仰角，根據(jù)魚眼相機的等立體角投影計算公式來計算衛(wèi)星投影點在拍攝圖像中距離圖像中心的距離r，計算公式為：

16、

17、其中，f為相機鏡頭的焦距，θ為衛(wèi)星的仰角；

18、s12)、根據(jù)衛(wèi)星的方位角和相機鏡頭的方位計算衛(wèi)星投影點在拍攝圖像上方位β；

19、s13)、根據(jù)步驟s11)計算得到的衛(wèi)星投影點距離圖像中心的值r和其在圖像上的方位β，解算出投影點在拍攝的天空圖上的具體位置，即：

20、(r*cosβ,r*sinβ)；

21、其中，坐標的原點為拍攝圖像的中心點。

22、作為優(yōu)選的，步驟s2)中，所述的基于雙自注意網(wǎng)絡(luò)的nlos信號識別模型包括空間通道注意力模塊和時間通道注意力模塊、以及前饋網(wǎng)絡(luò)、分類器，通過所述的空間通道注意力模塊和時間通道注意力模塊來模擬空間環(huán)境特征和信號的時間特征。

23、作為優(yōu)選的，步驟s3)中，所述的基于雙自注意網(wǎng)絡(luò)的nlos信號識別模型的預(yù)訓(xùn)練過程為：

24、s31)、將目標衛(wèi)星的觀測值特征、當(dāng)前歷元的衛(wèi)星特征序列、目標衛(wèi)星的歷史歷元的特征序列輸入雙自注意網(wǎng)絡(luò)的nlos信號識別模型中，同時當(dāng)前歷元的衛(wèi)星特征序列被輸入到空間通道注意力模塊；目標衛(wèi)星的歷史歷元的特征序列被饋送到時間通道注意力模塊中；

25、s32)、通過嵌入層擴展衛(wèi)星特征序列和目標衛(wèi)星的歷史歷元的特征序列的維度，并得到相應(yīng)的表示向量x；即：

26、x＝wes+be；

27、其中，s為嵌入層的輸入，we為神經(jīng)網(wǎng)絡(luò)嵌入層的權(quán)重矩陣，be為神經(jīng)網(wǎng)絡(luò)嵌入層的偏置值；

28、s33)、在空間通道注意力模塊通過兩個線性映射層從當(dāng)前歷元的衛(wèi)星特征序列中生成值向量v1以及鍵向量k1；

29、在時間通道注意力模塊中通過兩個線性映射層從得到相應(yīng)的目標衛(wèi)星的歷史歷元的特征序列生成值向量v2以及鍵向量k2；

30、并利用另一線性映射層從目標衛(wèi)星觀測值特征中生成查詢向量q；

31、s34)、根據(jù)得到的值向量、鍵向量、查詢向量計算當(dāng)前歷元的衛(wèi)星之間的注意力權(quán)重矩陣和目標衛(wèi)星歷史歷元之間的注意力權(quán)重矩陣；

32、s35)、將當(dāng)前歷元的衛(wèi)星之間的注意力權(quán)重矩陣和目標衛(wèi)星歷史歷元之間的注意力權(quán)重矩陣連接起來轉(zhuǎn)移到前饋網(wǎng)絡(luò)，所述的前饋網(wǎng)絡(luò)具有更高維度的中間層表示，允許模型從融合注意力權(quán)重中捕獲更復(fù)雜的模式和關(guān)系；

33、s36)、將前饋網(wǎng)絡(luò)的輸出結(jié)果輸入到分類器中用于預(yù)測目標衛(wèi)星的標簽類型。

34、作為優(yōu)選的，步驟s3)中，在所述的雙自注意網(wǎng)絡(luò)的nlos信號識別模型的預(yù)訓(xùn)練過程中，采用小批量梯度下降法來優(yōu)化損失函數(shù)，所述的損失函數(shù)采用交叉熵損失函數(shù)l，其表達式為：

35、

36、其中，xi是nlos信號識別模型的輸入，yi是對應(yīng)輸入的標簽，n是樣本數(shù)。

37、作為優(yōu)選的，步驟s35)中，所述的前饋網(wǎng)絡(luò)包括兩個全連接神經(jīng)網(wǎng)絡(luò)層；通過將當(dāng)前歷元的衛(wèi)星之間的注意力權(quán)重矩陣和目標衛(wèi)星歷史歷元之間的注意力權(quán)重矩陣連接起來轉(zhuǎn)移到前饋網(wǎng)絡(luò)；其計算式為：

38、fout＝relu([zs；zt]w1+b1)w2+b2

39、式中，fout為前饋網(wǎng)絡(luò)的輸出；zs和zt分別表示當(dāng)前歷元的衛(wèi)星之間的注意力權(quán)重矩陣和目標衛(wèi)星歷史歷元之間的注意力權(quán)重矩陣；relu是兩個全連接神經(jīng)網(wǎng)絡(luò)層之間的relu激活函數(shù)；w1和w2分別為兩個全連接神經(jīng)網(wǎng)絡(luò)層的權(quán)重參數(shù)；b1和b2分別為兩個全連接神經(jīng)網(wǎng)絡(luò)層的偏置值。

40、作為優(yōu)選的，步驟s36)中，所述的分類器由兩個全連接層組成，并采用sigmoid函數(shù)作為分類器最后一層全連接層的激活函數(shù)。

41、作為優(yōu)選的，步驟s5)中，利用基于仰角的定權(quán)方法對步驟s4)中的預(yù)測結(jié)果進行修正處理；并生成修正權(quán)重矩陣的表達式為：

42、

43、式中，ω為修正權(quán)重矩陣；pnlps為模型預(yù)測出現(xiàn)nlos的概率；j為修正系數(shù)；σe表示基于仰角的定權(quán)。

44、作為優(yōu)選的，步驟s5)中，的表達式為：

45、

46、式中，a、b是可變參數(shù)；θ為衛(wèi)星高度角，即仰角。

47、作為優(yōu)選的，步驟s6)中，根據(jù)修正權(quán)重矩陣ω、以及gnss測量數(shù)據(jù)和星歷數(shù)據(jù)，并利用加權(quán)最小二乘單點定位算法計算用戶的位置，其計算表達式為：

48、

49、式中，表示用戶位置估計；a表示未知參數(shù)的系數(shù)矩陣；w表示權(quán)重矩陣；l表示自由項矢量。

50、作為優(yōu)選的，步驟s6)中，根據(jù)修正權(quán)重矩陣ω、以及gnss測量數(shù)據(jù)和星歷數(shù)據(jù)，并利用加權(quán)最小二乘單點定位算法計算用戶的位置，具體包括如下步驟：

51、s61)、設(shè)用戶的初始位置為(x0,y0,z0)；偏移量為(△x,△y,△z)；

52、s62)、根據(jù)衛(wèi)星的gnss測量數(shù)據(jù)；計算估計偽距ρi，計算表達式：

53、

54、其中，pi是衛(wèi)星i和用戶之間的歐幾里得距離，c代表光速；和δtr分別是衛(wèi)星i和gnss接收器的時鐘偏移；ii和ti分別表示電離層和對流層誤差；∈表示觀測誤差；

55、s63)、通過泰勒級數(shù)展開將式(1)線性化，得到式(2)：

56、

57、式中；為衛(wèi)星i與用戶初始位置之間的歐幾里德距離；是單位los向量；

58、s64)、用li來表示式(2)的右邊部分，即：

59、

60、因此，得到偽距觀測方程的矩陣形式

61、∈＝ax-l

62、其中，l表示自由項矢量；x＝[△x,△y,△z,c·δtr]t；

63、其中，n是捕獲的衛(wèi)星數(shù)量；

64、s65)、利用最小二乘法進行求解，所述的最小二乘法的損失函數(shù)表示為：

65、j(x)＝∈t∈＝(ax-l)t(ax-l)

66、為了最小化損失函數(shù)，j(x)的梯度應(yīng)為：

67、

68、式中，表示用戶位置估計；

69、同時考慮不同衛(wèi)星之間的測量偏差，并引入修正權(quán)重矩陣ω；得到用戶位置估計

70、

71、s66)、計算得到用戶位置的解之后，替換用戶初始位置，再進行迭代計算，直到結(jié)果滿足求解要求的變化閾值，最后停止迭代，輸出最終位置結(jié)果。

72、作為優(yōu)選的，步驟s63)中，所述的衛(wèi)星i與用戶初始位置之間的歐幾里德距離的表達式為：

73、

74、單位los向量表示為：

75、

76、式中，(xi,yi,zi)為衛(wèi)星的位置，可由星歷數(shù)據(jù)獲得。

77、本發(fā)明的有益效果為：

78、1、本發(fā)明的nlos信號識別模型使用雙自注意力網(wǎng)絡(luò)建立兩個通道：一個從當(dāng)前歷元的衛(wèi)星序列中學(xué)習(xí)空間環(huán)境信息，另一個從歷史歷元中提取信號時序信息；并通過引入修正系數(shù)來增強基于仰角的加權(quán)，減輕nlos信號對定位的干擾；先通過進行nlos信號的識別，再把識別的出來的信號分配一個合適的權(quán)重，最后利用加權(quán)最小二乘單點定位算法計算用戶的位置，以此來提高城市復(fù)雜環(huán)境下北斗衛(wèi)星定位精度；

79、2、本發(fā)明通過同時提取空間環(huán)境特征與信號時序特征，來提高跨多位置或場景的nlos識別精度，從而抑制nlos信號對北斗衛(wèi)星定位精度的干擾；

80、3、本發(fā)明利用nlos識別結(jié)果對基于仰角的方案進行修正，可以根據(jù)識別結(jié)果為nlos信號分配更合理的權(quán)重。