Метод распознавания сценариев ГНСС в городских условиях
Служба определения местоположения на основе ГНСС широко применяется в городах, но точность значительно варьируется в зависимости от различных сценариев с препятствиями. Распознавание сценариев имеет решающее значение для разработки адаптивных к сценариям алгоритмов ГНСС (ГЛОНАСС, GPS, BeiDou и Galileo). Однако сложность городской среды и неравномерность принимаемого сигнала, особенно в недорогих приёмниках, ограничивают производительность моделей распознавания сцен на основе ГНСС.
Исследователи из Уханьского технологического университета предложили модель распознавания сценариев, подходящую для городского статического позиционирования и недорогих приёмников ГНСС. Сценарии делились на пять категорий в соответствии с требованиями приложения, включая открытую местность, высокий городской каньон, односторонний городской каньон, тень от дерева и низкий городской каньон. Затем строились векторы признаков из исходных данных наблюдений и рассматривались геометрические соотношения между спутниками и приёмниками.
Различная чувствительность к различным сценариям обнаруживается посредством анализа производительности каждого вектора признаков при распознавании. Поэтому была предложена модель распознавания сцены позиционирования ГНСС на основе многоканальной LSTM (MC-LSTM).
Результаты экспериментов показывают, что модель может достичь точности 99,14%. Модель можно быстро переносить в различные временные периоды, и она может сохранять надёжность в ситуациях, когда пропущены один или два типа данных наблюдений. Максимальная точность 81,13% может быть достигнута при пропуске двух каналов, в то время как 96,06% достижимы при пропуске одного канала. Таким образом, модель имеет потенциал для реальных приложений в сложных городских условиях.
В будущих работах следует учитывать более подробные и смешанные сцены. Кроме того, вклады различных спутниковых систем и частот требуют дальнейшего исследования.
Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный Telegram-канал
По материалам открытых источников
