一种无线电信号辅助城市复杂环境卫星定位的方法

1.本发明涉及一种卫星定位的方法，特别是一种无线电信号辅助城市复杂环境卫星定位的方法。


背景技术：

2.随着智能手机的普及，wifi、uwb以及蓝牙等无线电信号被用于定位。此外，wifi定位技术具有硬件设备成本低、计算开销小且定位精度相对较高等优点，被广泛运用于室内定位。wifi定位方法可分为三角定位法和指纹定位法，后者通过采集的rss数据匹配指纹数据库中的指纹进行位置解算。由于受到非视距信号以及多径效应的影响，很难将rss映射为距离，所以更多是基于指纹数据库定位的研究。
3.在城市环境下，卫星信号容易受到遮挡，若仅使用gnss进行定位，将影响可用卫星数量，使得定位精度降低。此外wifi信号受nlos影响较小，但多用于室内定位，在检测和消除nlos的方法中，应用wifi信号来检测nlos辅助卫星定位的研究较少。
4.使用传统的wifi指纹定位方法时，由于匹配算法较为复杂且需要耗费大量计算时间和资源，常出现误匹配问题。目前多用机器学习方法优化wifi指纹匹配过程，由于指纹数据库的数据量级不大，若采用的模型复杂度较高，容易导致数据过拟合，增加计算负担，不利于指纹数据特征的提取。


技术实现要素：

5.发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种无线电信号辅助城市复杂环境卫星定位的方法。
6.为了解决上述技术问题，本发明公开了一种无线电信号辅助城市复杂环境卫星定位的方法，包括以下步骤：
7.步骤1，基于注意力机制的卷积神经网络cnn模型的wifi指纹定位；
8.步骤1-1，构建基于注意力机制的卷积神经网络cnn模型，并进行离线训练，具体步骤如下：
9.步骤1-1-1，数据预处理，具体方法如下：
10.将接收信号强度rss进行预处理，即标准化如下：
[0011][0012][0013]
其中，rss`是预处理后得到的数据，min(rss)是所采集wifi信号强度的最小值，max(rss)是wifi信号强度的最大值；
[0014]
将wifi信号的指纹数据转换为方阵，设有z个观测样本的指纹点，则将z个指纹点的数据整合为一个矩阵，并将矩阵空缺部分填充为0。
[0015]
步骤1-1-2，构建基于注意力机制的卷积神经网络cnn模型，具体方法如下：
[0016]
所述的基于注意力机制的卷积神经网络cnn模型结构，由两个大小为3
×
3的卷积层、两个2
×
2的池化层、一个注意力层以及一个全连接层构成；采用cbam注意力机制，所述cbam注意力机制结合通道和空间的注意力机制模块，并集成到卷积神经网络cnn结构中；
[0017]
激活函数使用relu函数；在全连接层前加入dropout层；dropout参数设置为0.5，学习率选取0.0001；第一个卷积层的卷积核个数设置为100，第二个卷积层使用的卷积核个数为300；
[0018]
使用预先收集的数据集对所述基于注意力机制的卷积神经网络cnn模型进行离线训练，得到每个指纹点的数据对应的固定特征权值；将指纹点的坐标和对应的固定特征权值存储在wifi指纹数据库中。
[0019]
步骤1-2，使用训练好的基于注意力机制的卷积神经网络cnn模型，在线求解定位结果，得到wifi指纹定位结果，具体方法如下：
[0020]
将检测得到的wifi信号强度数据按照步骤1-1-1中的方法进行预处理之后，得到输入数据x，输入到预先训练好的基于注意力机制的卷积神经网络cnn模型中，获取特征权值；计算观测位置即用户位置在第j个指纹点上的概率pj，方法如下：
[0021][0022]
其中，σ
x
是输入数据x的方差，a
x
是输入数据x的方差参数，yj是在指纹点j处的输出数据，yv是在指纹点v处的输出数据，z为指纹点的个数，v是用于遍历所有指纹点的索引变量；
[0023]
选择前m个概率最大的指纹点当作邻近点，通过加权平均计算用户位置坐标s，，第k个邻近点的权重gk计算方法如下：
[0024][0025][0026]
其中，pk是用户位置在第k个指纹点上的概率，pq是用户位置在第q个指纹点上的概率，q是用于遍历所有邻近点的索引变量，s是观测位置的坐标即所述的求解得到的定位结果，sk是所选取的第k个指纹点的坐标。
[0027]
步骤2，wifi指纹定位辅助全球导航卫星系统gnss定位；
[0028]
步骤2-1，根据wifi指纹定位结果得到的位置反演伪距，具体方法包括：
[0029]
记基于注意力机制cnn模型的wifi指纹定位得到的用户位置坐标为(xr，yr，zr)；假设所接收卫星信号为视距信号，反演到第i颗可接收卫星的伪距ρ
si
为：
[0030][0031]
其中，(x
si，ysi
，z
si
)，i∈(1，2，
…
，n)是第i颗卫星的坐标，在该位置接收到卫星信号的个数为n，τr为卫星信号接收机钟差，τ
si
为第i颗卫星的钟差，c是真空中的光速，v
ion
是电离层延迟，v
trop
是对流层延迟。
[0032]
步骤2-2，检测非视距接收nlos信号影响，包括以下步骤：
[0033]
步骤2-2-1，伪距观测值和反演值做差，具体方法包括：
[0034]
在用户位置，将可见的n个卫星伪距观测值和反演伪距值做差，第i颗卫星的伪距观测值和反演的伪距值ρ
si
做差再取绝对值，得到第i颗卫星的伪距观测值和反演值的差值的绝对值c
si
；
[0035]
步骤2-2-2，通过判断非视距接收nlos信号影响选择参与位置解算的卫星，具体方法包括：
[0036]
设定阈值t1，若第i颗卫星的伪距观测值和反演值的差值的绝对值c
si
≤t1，则选择该卫星参与位置解算；将用户位置上所有可见卫星全部比较完毕并保存至卫星数据集。
[0037]
步骤2-3，使全球导航卫星系统gnss定位中所选卫星满足几何精度因子gdop，具体方法包括：
[0038]
根据所选卫星的伪距观测方程，计算当前的几何精度因子gdop值；设置阈值t2，当gdop＜t2时，所选卫星用于位置解算；当gdop≥t2时，则向上调整t1值，重复步骤2-2-2，直到几何精度因子gdop满足上述条件。
[0039]
步骤2-4，使用加权最小二乘法进行位置解算，完成定位，即完成无线电信号辅助城市复杂环境卫星定位，具体方法如下：
[0040]
第i颗卫星的权重系数ω
si
表示为：
[0041][0042]
其中，σ1是与卫星相关的误差均方差，通过用户测距因子n求解。
[0043][0044]
卫星伪距单点定位的加权最小二乘数学模型为：
[0045]
wgδx＝wb
[0046]
其中，w是权重矩阵，w＝diag(ω
s1
，ω
s2
，
…
，ω
sf
)，f为选择的存储到卫星数据集的卫星数目；g为卫星的方向余弦矩阵，δx是解算的三维位置修正值和接收机钟差，b由每颗卫星伪距观测值同解算的接收机位置反演出的伪距作差组成；求解方程δx＝(g
twt
wg)-1gtwt
wb，再经过反复迭代解算出接收机的坐标位置，即完成定位。
[0047]
有益效果：
[0048]
针对gnss定位在城市环境下易受nlos影响，伪距测量误差大的问题。本发明提出使用wifi信号来缓解gnss定位解算中nlos的影响，将wifi指纹数据库定位结果对可接收到的卫星进行伪距的反演。此外，将反演伪距值和gnss在该处的伪距观测值作差，比较选择受nlos影响小的卫星，并判断所选卫星满足gdop要求。使用加权最小二乘法，参考伪距反演值同观测值的差值大小降权nlos信号进行位置解算。
[0049]
传统的wifi指纹数据库定位方法常存在误匹配等问题，使得定位结果不可靠。为提高后续反演伪距的精度，应先获得一个精确的用户位置。将机器学习理论引入wifi指纹匹配问题中，采用基于注意力机制的cnn模型训练wifi指纹数据，在cnn网络中加入注意力机制更易于参数训练，通过赋予高权重关注重要的指纹信息。当输入的数据较多时，能够减少计算量并提高运行速度，对于cnn模型的表现有所提升。
附图说明
[0050]
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0051]
图1为本发明流程示意图。
[0052]
图2为本发明中注意力机制的卷积神经网络cnn模型结构示意图。
具体实施方式
[0053]
本发明的核心内容为一种基于wifi指纹定位结果反演伪距，辅助gnss(全球导航卫星系统，global navigation satellite system，gnss)检测nlos(非视距接收，non line of sight，nlos)影响并加权解算位置的方法。包括以下2个阶段：(1)通过基于注意力机制的cnn(卷积神经网络，convolutional neural network，cnn)模型的wifi指纹定位，得到用户的坐标位置。(2)在定位位置反演伪距，检测nlos影响，再运用加权最小二乘算法降权nlos信号进行位置解算。总体流程如图1所示：
[0054]
(1)基于注意力机制的cnn模型的wifi指纹定位方法
[0055]
1)网络模型离线训练
[0056]
第一步：数据预处理
[0057]
为了便于后续数据处理，将rss(接收信号强度，received signal strength，rss)标准化：
[0058][0059]
其中，rss`是预处理后得到的数据，min(rss)是所采集wifi信号强度的最小值，max(rss)是wifi信号强度的最大值。
[0060]
在模型训练前，还应将指纹数据转换为方阵。假设有z个观测样本指纹点，则可以将z个指纹点的数据整合为一个矩阵。为满足矩阵行和列一致，还应将空缺部分填充为0。
[0061]
第二步：构建基于注意力机制的cnn模型
[0062]
本发明使用基于注意力机制的cnn模型结构如图2所示，由两个大小为3
×
3的卷积层、两个2
×
2的池化层、一个注意力层以及一个全连接层构成。本发明采用cbam注意力机制(参考：cbam:convolutional block attention module[c]//proceedings of the european conference on computer vision(eccv).2018:3-19.)，它结合了通道和空间的注意力机制模块，并且作为轻量级的通用模块可以无缝集成到cnn结构中，对cnn模型的性能有提升。
[0063]
激活函数使用relu函数可以有效解决梯度下降和反向传播过程中的梯度爆炸和梯度消失问题。为了防止过拟合现象，在全连接层前加入dropout层。dropout参数设置为0.5，学习率选取0.0001。第一个卷积层的卷积核个数设置为100，第二个卷积层使用的卷积核个数为300。
[0064]
当训练结束后，可以得到每个指纹点数据对应的固定特征权值，并将其存储至数据库中。
[0065]
2)在线求解定位结果
[0066]
在线阶段，将观测的wifi信号强度数据进行预处理之后，输入到预先训练好的网
络中，获取特征权重和输出。计算该观测位置在第j个指纹点上的概率：
[0067][0068]
其中，σ
x
是输入数据x的方差，a
x
是输入数据x的方差参数，yj是在指纹点j处的输出数据，yv是在指纹点v处的输出数据，z为指纹点的个数，v是用于遍历所有指纹点的索引变量。
[0069]
选择前m个概率最大的指纹点当作邻近点，通过加权平均计算用户位置坐标s，第k个邻近点的权重gk计算方法如下：
[0070][0071][0072]
其中，pk是用户位置在第k个指纹点上的概率，pq是用户位置在第q个指纹点上的概率，q是用于遍历所有邻近点的索引变量，s是观测位置的坐标即所述的求解得到的定位结果，sk是所选取的第k个指纹点的坐标。
[0073]
(2)wifi指纹定位辅助gnss定位
[0074]
1)wifi指纹定位位置反演伪距
[0075]
记wifi指纹数据库定位的用户位置坐标为(xr，yr，zr)。假设所接收卫星信号为los(los，line-of-sight，视距)信号，反演到第i颗可接收卫星的伪距ρ
si
为：
[0076][0077]
其中(x
si
，y
si
，z
si
)，i∈(1，2，
…
，n)是第i颗卫星的坐标，在该位置可接收到卫星信号的个数为n，τr为接收机钟差，τ
si
为第i颗卫星的钟差，c是真空中的光速，v
ion
是电离层延迟，v
trop
是对流层延迟。
[0078]
2)检测nlos信号影响
[0079]
第一步：伪距观测值和反演值做差
[0080]
在用户位置，将可见的n个卫星伪距观测值和反演伪距值做差，如第i颗卫星的伪距观测值和反演的伪距值ρ
si
做差再取绝对值得到c
si
。
[0081]
第二步：通过判断nlos影响选择参与位置解算的卫星
[0082]
在城市环境中，伪距观测值和反演值的差值在一定程度上可以侧面反映卫星信号受到nlos的影响程度。设定阈值t1，若该卫星的c
si
≤t1，则选择该卫星。将用户位置上的n个可见卫星全部比较完毕，并把选择的卫星存入数据集。本发明中t1设定为15。
[0083]
3)使所选卫星满足gdop(几何精度因子，geometric dilution of precision，gdop)要求
[0084]
根据所选卫星的伪距观测方程，计算当前的gdop值(参考：一种多模gnss接收机的选星方法[p].北京：cn103954980a，2014-07-30.)，通过阈值t1选择受nlos影响小的卫星进行位置解算，但可能会使得卫星几何布局变差。为了保证定位精度，设置阈值t2，当gdop＜t2时，所选卫星可以用于位置解算；当gdop≥t2时，则向上调整t1值，重复参与位置解算的卫星选择过程，直到计算的gdop满足条件为止。本发明设定阈值t2为6。
[0085]
4)加权最小二乘法进行位置解算
[0086]
第i颗卫星的权重系数可表示为：
[0087][0088]
其中，c
si
是第i颗卫星观测的伪距值和反演的模拟伪距值的差值的绝对值，σ1是与卫星相关的误差均方差，可通过用户测距因子n求解。
[0089][0090]
卫星伪距单点定位的加权最小二乘数学模型为：
[0091]
wgδx＝wb
[0092]
其中w是权重矩阵，w＝diag(ω
s1
，ω
s2
，
…
，ω
sf
)，f为选择的存储到数据集的卫星数目；g为卫星的方向余弦矩阵；δx是解算的三维位置修正值和接收机钟差，；b由每颗卫星伪距观测值同解算的接收机位置反演出的伪距作差组成。求解方程δx＝(g
twt
wg)-1gtwt
wb，再经过多次迭代解算出接收机的坐标位置。
[0093]
具体实现中，本技术提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种无线电信号辅助城市复杂环境卫星定位的方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0094]
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机，muu或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0095]
本发明提供了一种无线电信号辅助城市复杂环境卫星定位的方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

技术特征：
1.一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，包括以下步骤：步骤1，基于注意力机制的卷积神经网络cnn模型的wifi指纹定位；步骤1-1，构建基于注意力机制的卷积神经网络cnn模型，并进行离线训练；步骤1-2，使用训练好的基于注意力机制的卷积神经网络cnn模型，在线求解定位结果，得到wifi指纹定位结果；步骤2，wifi指纹定位辅助全球导航卫星系统gnss定位；步骤2-1，根据wifi指纹定位结果得到的位置反演伪距；步骤2-2，检测非视距接收nlos信号影响；步骤2-3，使全球导航卫星系统gnss定位中所选卫星满足几何精度因子gdop；步骤2-4，使用加权最小二乘法进行位置解算，完成定位，即完成无线电信号辅助城市复杂环境卫星定位。2.根据权利要求1所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，步骤1-1中所述的构建基于注意力机制的卷积神经网络cnn模型，并进行离线训练，具体步骤如下：步骤1-1-1，数据预处理；步骤1-1-2，构建基于注意力机制的卷积神经网络cnn模型。3.根据权利要求2所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，步骤1-1-1中所述的数据预处理，具体方法如下：将接收信号强度rss进行预处理，即标准化如下：其中，rss`是预处理后得到的数据，min(rss)是所采集wifi信号强度的最小值，max(rss)是wifi信号强度的最大值；将wifi信号的指纹数据转换为方阵，设有z个观测样本的指纹点，则将z个指纹点的数据整合为一个矩阵，并将矩阵空缺部分填充为0。4.根据权利要求3所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，步骤1-1-2中所述的构建基于注意力机制的卷积神经网络cnn模型，具体方法如下：所述的基于注意力机制的卷积神经网络cnn模型结构，由两个大小为3
×
3的卷积层、两个2
×
2的池化层、一个注意力层以及一个全连接层构成；采用cbam注意力机制，所述cbam注意力机制结合通道和空间的注意力机制模块，并集成到卷积神经网络cnn结构中；激活函数使用relu函数；在全连接层前加入dropout层；dropout参数设置为0.5，学习率选取0.0001；第一个卷积层的卷积核个数设置为100，第二个卷积层使用的卷积核个数为300；使用预先收集的数据集对所述基于注意力机制的卷积神经网络cnn模型进行离线训练，得到每个指纹点的数据对应的固定特征权值；将指纹点的坐标和对应的固定特征权值存储在wifi指纹数据库中。5.根据权利要求4所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，步骤1-2所述的在线求解定位结果，具体方法如下：将检测得到的wifi信号强度数据按照步骤1-1-1中的方法进行预处理之后，得到输入
数据x，输入到预先训练好的基于注意力机制的卷积神经网络cnn模型中，获取特征权值；计算观测位置即用户位置在第j个指纹点上的概率p
j
，方法如下：其中，σ
x
是输入数据x的方差，a
x
是输入数据x的方差参数，y
j
是在指纹点j处的输出数据，y
v
是在指纹点v处的输出数据，z为指纹点的个数，v是用于遍历所有指纹点的索引变量；选择前m个概率最大的指纹点当作邻近点，通过加权平均计算用户位置坐标s，第k个邻近点的权重g
k
计算方法如下：计算方法如下：其中，p
k
是用户位置在第k个指纹点上的概率，p
q
是用户位置在第q个指纹点上的概率，q是用于遍历所有邻近点的索引变量，s是观测位置的坐标即所述的求解得到的定位结果，s
k
是所选取的第k个指纹点的坐标。6.根据权利要求5所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，步骤2-1中所述的根据wifi指纹定位结果得到的位置反演伪距，具体方法包括：记基于注意力机制cnn模型的wifi指纹定位得到的用户位置坐标为(x
r
,y
r
,z
r
)；假设所接收卫星信号为视距信号，反演到第i颗可接收卫星的伪距ρ
si
为：其中，(x
si
,y
si
,z
si
),i∈(1,2,
…
,n)是第i颗卫星的坐标，在该位置接收到卫星信号的个数为n，τ
r
为卫星信号接收机钟差，τ
si
为第i颗卫星的钟差，c是真空中的光速，v
ion
是电离层延迟，v
trop
是对流层延迟。7.根据权利要求6所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，步骤2-2中所述的检测非视距接收nlos信号影响，包括以下步骤：步骤2-2-1，伪距观测值和反演值做差；步骤2-2-2，通过判断非视距接收nlos信号影响选择参与位置解算的卫星。8.根据权利要求7所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，步骤2-2-1中所述的伪距观测值和反演值做差，具体方法包括：在用户位置，将可见的n个卫星伪距观测值和反演伪距值做差，第i颗卫星的伪距观测值和反演的伪距值ρ
si
做差再取绝对值，得到第i颗卫星的伪距观测值和反演值的差值的绝对值c
si
；步骤2-2-2中所述的通过判断非视距接收nlos信号影响选择参与位置解算的卫星，具体方法包括：设定阈值t1，若第i颗卫星的伪距观测值和反演值的差值的绝对值c
si
≤t1，则选择该卫星参与位置解算；将用户位置上所有可见卫星全部比较完毕并保存至卫星数据集。9.根据权利要求8所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征
在于，步骤2-3中所述的使全球导航卫星系统gnss定位中所选卫星满足几何精度因子gdop，具体方法包括：根据所选卫星的伪距观测方程，计算当前的几何精度因子gdop值；设置阈值t2，当gdop<t2时，所选卫星用于位置解算；当gdop≥t2时，则向上调整t1值，重复步骤2-2-2，直到几何精度因子gdop满足上述条件。10.根据权利要求9所述的一种无线电信号辅助城市复杂环境卫星定位的方法，其特征在于，步骤2-4中所述的使用加权最小二乘法进行位置解算，具体方法如下：第i颗卫星的权重系数ω
si
表示为：其中，σ1是与卫星相关的误差均方差，通过用户测距因子n求解；卫星伪距单点定位的加权最小二乘数学模型为：wgδx＝wb其中，w是权重矩阵，w＝diag(ω
s1
,ω
s2
,
…
,ω
sf
)，f为选择的存储到卫星数据集的卫星数目；g为卫星的方向余弦矩阵，δx是解算的三维位置修正值和接收机钟差，b由每颗卫星伪距观测值同解算的接收机位置反演出的伪距作差组成；求解方程δx＝(g
t
w
t
wg)-1
g
t
w
t
wb，再经过反复迭代解算出接收机的坐标位置，即完成定位。

技术总结
本发明提出了一种无线电信号辅助城市复杂环境卫星定位的方法，包括：步骤1，基于注意力机制的卷积神经网络CNN模型的WiFi指纹定位，包括：构建基于注意力机制的卷积神经网络CNN模型，并进行离线训练；使用训练好的基于注意力机制的卷积神经网络CNN模型，在线求解定位结果，得到WiFi指纹定位结果；步骤2，WiFi指纹定位辅助全球导航卫星系统GNSS定位，包括：根据WiFi指纹定位结果得到的位置反演伪距；检测非视距接收NLOS信号影响；使全球导航卫星系统GNSS定位中所选卫星满足几何精度因子GDOP；使用加权最小二乘法进行位置解算，完成定位，即完成无线电信号辅助城市复杂环境卫星定位。即完成无线电信号辅助城市复杂环境卫星定位。即完成无线电信号辅助城市复杂环境卫星定位。


技术研发人员：孙蕊 李姝仪 刘真汉
受保护的技术使用者：南京航空航天大学
技术研发日：2023.03.14
技术公布日：2023/7/12