Метод идентификации и обработки сигналов ГНСС вне зоны прямой видимости

Команда исследователей из Уханьского университета и Университета информационной инженерии, Чжэнчжоу, предложила алгоритм идентификации и обработки сигналов ГНСС (ГЛОНАСС, GPS, BeiDou и Galileo) вне зоны прямой видимости (NLOS) с использованием метода «случайных деревьев» и факторного анализа с визуальными метками.

Большое количество пользователей глобальных навигационных спутниковых систем (ГНСС) и частые требования к позиционированию в городах, а также сложность городских сценариев создают множество проблем для точности и надёжности позиционирования. Поскольку городская среда, как правило, страдает от условий приёма сигнала ГНСС NLOS, что приводит к большим ошибкам измерения дальности, идентификация и обработка сигнала NLOS имеют большое значение.

Обычно визуальная камера может отражать реальную окклюзию (непроходимость), а машинное обучение эффективно и точно обрабатывает различные типы функций. Поэтому предлагается алгоритм, сочетающий в себе преимущества обоих методов.

Во-первых, метки NLOS генерируются с использованием комбинации инерциальной навигационной системы (INS) и камеры «рыбий глаз», а также девяти характеристик, а именно угла места, отношения сигнал/шум (SNR), магнитуд колебаний SNR, согласованностей псевдодальности и ошибок многолучевого распространения псевдодальности на двух частотах.

Затем, чтобы повысить эффективность и избежать лжевзаимосвязей, девять исходных признаков посредством факторного анализа объединяются в три общих фактора, и эти три фактора можно хорошо интерпретировать.

Наконец, разработана модель идентификации сигнала NLOS, основанная на алгоритме «случайных деревьев» (RF). Кроме того, для улучшения характеристик точного позиционирования точки (PPP) схема взвешивания, основанная на угле места и SNR, оптимизируется в соответствии с вероятностью возникновения NLOS.

В ходе эксперимента радиочастотная модель обучается с использованием встроенных динамических двухчастотных мульти-ГНСС-данных, собранных приёмником, а затем выполняется проверка с использованием данных, собранных в Ухане и Чжэнчжоу.

Результаты экспериментов показывают, что по сравнению с алгоритмами дерева решений с градиентным усилением (GBDT), машины опорных векторов (SVM), наивного байесовского классификатора (NB) и алгоритмов свёрточной нейронной сети (CNN), RF-модель показывает превосходную производительность. При достижении точности 87,5% и 72,5% для локальных и удалённых наборов тестовых данных соответственно, RF-модель требует всего 12,2 мс для классификации LOS/NLOS с момента появления сигнала. Более того, благодаря факторному анализу эффективность вычислений повышается на 29,5% для всех пяти алгоритмов. Кроме того, точность и стабильность некомбинированного PPP улучшаются с использованием предложенной стратегии взвешивания.

Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный Telegram-канал

По материалам открытых источников