GNSS信号仿真结果分类基于机器学习和伪距残检查

1介绍

全球导航卫星系统(GNSS)定位最近被用于自动驾驶、机器控制,在建筑工地。开发新的低成本multi-GNSS接收器和新类型的GNSS的出现,如Quasi-Zenith卫星系统(QZSS)在日本,增加了GNSS定位的潜力。GNSS定位的一个最大的优点是可以获得绝对的职位,如地球,地球定点坐标系(ECEF)。高度可以从指标和精确获得地图,但有有限的方法容易获得水平位置,由GNSS授予另一个优势定位。此外,新类型的GNSS的出现增加了视距(LOS)信号的数量和提高定位精度在具有挑战性的地方,如密集的城市地区。然而,GNSS接收器视线外观察洛信号和仿真结果)信号在这些领域。仿真结果表明有大量多路径错误,降低定位精度的原因在密集的城市地区(久保et al ., 2020)。在运动条件下,GNSS天线周围的环境发生了巨大的变化,GNSS接收机不太可能跟踪仿真结果信号,但在静态条件下,GNSS天线周围的环境改变和仿真结果GNSS接收机(信号可以追踪的久保et al . (2017)。这可能是一个很大的挑战,例如,在滑坡监测和停车位置。

分类洛杉矶和仿真结果信号正确对改善GNSS定位精度至关重要,和各种实现方法提出了改进,如C / N0、三维(3 d)地图的使用,或鱼眼镜头的看法。久保et al . (2020)提出了一种分类方法仿真结果使用C / N0连续时间序列信号,在信号仿真结果发现通过分析C / N0时间序列和GNSS伪距残检查计算的最小二乘法,通过差分GNSS (DGNSS)定位结果是显著提高。使用机器学习分类方法最近也被提出。铃木和天野之弥(2021)建议的相关输出GNSS信号可以使用机器学习分类。他们使用的形状multi-correlator特性,和97.7%的仿真结果正确信号被歧视。然而,很难获得的形状multi-correlator当使用商业GNSS接收机。徐et al。(2018)提出了一种基于机器学习的分类方法和使用接收方独立交换格式(RINEX)的信息。他们各种机器学习算法包括再邻居相比,神经网络,支持向量机(SVM),决策树、支持向量机分类洛和仿真结果信号最有效。徐et al。(2020)提出了一种基于SVM的分类方法使用RINEX和估计的位置使用GNSS影子匹配分类后,而十字路方向的平均误差降低了从10.27到1.44米。尽管如此,3 d地图不适合商业用途,因为他们不确定可用性和计算成本。大规模商业用途的定位方法,可以由一个单一的软件程序,尽可能少的附加设备和成本,优先。本研究的目的是检测仿真结果信号使用支持向量机分类器建模具有独特的特性,因此,要提高水平DGNSS定位结果在市区。

2材料和方法

2.1支持向量机分类器

支持向量机是一种监督式学习的工具,生成输入输出映射函数从一组标记的训练数据(王2005年)。在这项研究中,支持向量机分类器输出洛杉矶和仿真结果信号和洛信号定义为负,仿真结果是积极的信号。我们实现了一个支持向量机分类器使用Scikit-learn (Pedregosa et al ., 2011),一个开源的机器学习库Python编程语言。支持向量机分类器实现Scikit-learn需要优化的参数称为“hyper-parameters。“我们选择了一个内核径向基函数(RBF),通常用于非线性分类,而其他参数选择使用网格搜索(最小值和李,2005年)。

徐et al。(2020)以前四个特征—信噪比(信噪比),仰角(EA)、规范化的伪距残(NPR)和伪距率的一致性(中华人民共和国)。至于信噪比和EA,众所周知,两者都是密切相关的仿真结果信号(Tokura和久保et al ., 2017)。信噪比可以通过RINEX, EA可以计算卫星位置估计的星历表和用户位置的近似。

伪距残有效使用机器学习(许,2017)。它通常由最小二乘法计算,成为大型仿真结果信号。然而,最小二乘法的定位结果有大的错误在伪距多路径环境和残余不完全显示洛杉矶和仿真结果信号之间的区别。出于这个原因,伪距残规范化在每个时代。美国国家公共电台可以表示为

在哪里 $P{r}_{米\mathrm{一个}x}$ 和 $P{r}_{米我n}$ 最大和最小的计算伪距残差在每个时代,分别和 $P{r}_{\mathrm{年代}}$ 是卫星的伪距残 $\mathrm{年代}$ 。

中华人民共和国被定义为伪距率变化的差异从伪距和多普勒频移(Hsu) l . (2017)。伪距的改变伪距率可以表示为

在哪里 $P\left(t_{我}\right)$ 的伪距吗 $我$ 时代。伪距率的变化也可以由多普勒频移的计算

在哪里 ${\lambda }_{\mathrm{年代}}$ 是卫星的波长 $\mathrm{年代}$ , $f_{\mathrm{年代}}$ 卫星多普勒频移的 $\mathrm{年代}$ 在单位赫兹, $\text{Δ}t$ 的时差是 $t_{我}$ 和 $t_{我-1}$ 。中国可以表示为

可以估计的伪距receiver-code跟踪环路,与多普勒频移估计的频率在GNSS接收机跟踪环路。洛信号,中华人民共和国是0,但对于一个仿真结果信号,中国并不总是0,因为receiver-code跟踪循环比的频率受多路径跟踪回路。

以前的研究已经表明有更多的方法除了这四个特征信号仿真结果。Tokura和久保(2017)提出了一个SNR-based卫星选择方法使用在信噪比变化的大小(以后,“信噪比波动大小”或SFM)。因为仿真结果信噪比的信号表现出大波动时间序列,SFM是这样的波动的大小的一个指标。Tokura和久保(2017)SFM使用移动计算标准差之间的差异观察和估计信噪比,信噪比的设置elevation-dependent阈值(铃木et al ., 2004;久保et al ., 2005;Shirai & Kubo说,2012)。这种方法的缺点是,很难设置阈值。相反,我们SFM在这项研究中通过移动计算信噪比的标准差,表示为

在哪里N窗口大小和吗 $\mathrm{年代}NR\left(t_{我-n}\right)$ 信噪比的吗 $我-n$ th时代和 $\mathrm{年代}N{R}_{米e\mathrm{一个}n}$ 信噪比的均值。图1显示了一个洛杉矶的比较和仿真结果SFM时间序列在多径环境中。窗口大小设置为120时代。《意味着剩余的1.56米,但仿真结果的是55.90米。这些结果表明,SFM洛杉矶的可以是一个很好的指标与仿真结果的信号。

我们生成的分类器与五features-SNR EA, NPR,中华人民共和国和SFM。SFM,窗口大小计算移动标准偏差影响支持向量机分类器的准确性。在这项研究中,我们设置不同窗口大小(30、60、90、120、180和240时代),被认为是最好的窗口大小SVM分类器的精度。支持向量机分类器被用来分类的所有信号可以用于定位在每一个时代。

2.2数据集

三个数据集被用于这项研究;图2显示了数据收集的位置。东京车站周围是摩天大楼周围地区超过100米高的和DGNSS定位误差容易达到100米。A和B的位置标记图2。的所有数据集,U-blox F9P和标准贴片天线(ANN-MB-00-00)的屋顶安装在一辆停着的车(U-blox、瑞士)。参考站,U-blox F9P GNSS天线和使用是美国天宝西风2大地(美国天宝,Inc .)、美国)。所有数据都记录在1赫兹。

的上半部分图3显示位置和天线周围的详细图像。仿真结果可以看到,可能信号会收到更高的建筑方位的290°。有几个高层建筑不同高度和一些树的两边的天线。较低的部分图3显示位置B和天线周围的详细图像。在位置,也可能在这个位置,仿真结果信号将收到更高的建筑方位的180°,还有几个不同高度的高层建筑两边的天线。

收集的数据集(1)和(2)是在位置但相隔50厘米比较精确的位置。数据集(3)收集在位置b,所有数据集都伴随着参考站数据获得东京大学海洋科学和技术Etchujima校园距东京车站∼3公里。表1显示了数据集收集时的日期和时间。至于参考位置,我们采用一个RTK-GNSS解决方案输出U-blox F9P,我们确认这个位置是正确的大约5厘米的精度定位我们实验室开发的软件后处理。

数据集(1)和参考站数据用于训练SVM分类器,和数据集(2)和(3)是用于测试的支持向量机分类器。数据集(1)和(2),数据收集的位置几乎是相同的,但时代不同集合。数据收集的地点和时间的不同数据集(1)和(3)。因此,这些数据集是适合评估SVM分类器。

2.3标签

在测试和评估我们的支持向量机分类,我们估计准确的伪距残差并确定分类的标签。久保et al . (2020)提出了一个精确的估计接收机时钟误差和伪距残差。伪距测量包括来自接收机时钟的误差、卫星时钟、电离层、对流层和多路径+噪音。在伪距定位,多路径+噪声伪距的剩余误差

在哪里P是伪距(m), $\rho$ 是几何范围(m),c是光的速度(米/秒), $d{t}_{rcv}$ 接收机的时钟误差(m), $d{T}_{\mathrm{年代}\mathrm{一个}t}$ 是卫星时钟误差(m),离子电离层误差(m),对流层是对流层误差(m),国会议员是多路径误差(m), $\epsilon$ 噪声误差(m)。

在这项研究中,预测几何范围被设置为引用的位置之间的距离天线和卫星星历表位置估计。卫星时钟、电离层和对流层误差被认为是在一定程度上消除DGNSS校正数据,计算在基站。此外,GPS和其他卫星系统的时钟偏差消除了DGNSS校正数据。因此,接收机时钟需要估计多径+噪音。如果接收机时钟估计几米,然后多路径+噪声可以用相同的估计精度。通常,接收机伪距定位和时钟误差估计的估计精度,如果接收机时钟错误是在天空开放条件下在几米之内。然而,在多径环境中,接收机时钟误差的估计精度倾斜超过数万米因为多路径错误。在这项研究中,我们从日本QZSS跟踪一个强烈的信号甚至高层建筑在东京附近的至少一个QZSS保持在一个很高的EA > 80°。在实践中,伪距的准确性最高的卫星是在1.0。使用接收机时钟误差估计与伪距最高的EA和参考位置的天线,多路径+噪声可以预计在1.0 m。 The NLOS signal multipath errors usually exceed 10 m. Here, if the multipath errors exceeded 10 m, they represented an NLOS signal.

2.4分析策略

多路径误差引起的仿真结果信号通常有更大的影响比载波相位伪距和载波相位的准确定位,比如实时运动,是伪距定位的影响。在这项研究中,我们采用了DGNSS定位,因为它适用于评估定位错误,因为它不受对流层,电离层,和卫星时钟错误。表2我们的分析显示了常见的参数。

图4显示了本研究的工作流程。我们提取五个特性(信噪比、EA, NPR、中华人民共和国和SFM)并确定标签分类在训练。验证SFM,我们生成的两种SVM classifiers-SVM分类器(1),使用四个特性(信噪比、EA、美国国家公共电台和中华人民共和国),和支持向量机分类器(2),使用五个特性(信噪比、EA, NPR、中华人民共和国和SFM)。在测试阶段,信号分为DGNSS定位仿真结果被排除在外。有五个输出。

・输出(1)从卫星DGNSS位置,可以观察和用于评估伪距残检查的影响。

・输出(2)从卫星DGNSS位置没有被伪距残检查排除在外。

・输出(3)DGNSS定位使用支持向量机分类器(1)。

・输出(4)DGNSS定位使用SVM分类器(2)。

・输出(5)是DGNSS定位使用SVM分类器(2)和伪距残检查。

SFM,我们设置不同窗口大小(30、60、90、120、180和240时代),被认为是最好的窗口大小的SVM分类器的结果精度在所有的数据集。

定位我们的实验室开发的软件使用。至于伪距残检查,位置和伪距残差是首先由最小二乘法计算使用卫星。如果最大的伪距残超过了阈值,最大的卫星伪距残被排除在外。这个过程一直持续到最大的伪距残低于阈值或卫星的数量是不够的江et al ., 2011)。

3的结果

3.1支持向量机分类器

支持向量机分类器的参数,正则化参数,和内核系数等于10,和通过网格尺度选择搜索(分钟&李,2005)。有四种类型的数据用来评估二进制classifications-true积极(TP),真阴性(TN),假阳性(FP),和假阴性(FN) (Sokolova & Lapalme, 2009)。在这项研究中,选择精度的指标评估SVM分类器。精度可以表示为

表3显示了支持向量机分类器的精度。使用SFM,分类器增加了> 15%的准确性和测试。关于最好的SFM窗口大小没有显著差异的准确性,当窗口大小超过60时代。因此,我们选择120时代,最大化数据集(2)的准确性。

3.2定位结果

我们评估水平DGNSS错误使用六个统计:平均误差,最大误差,标准偏差(SD)和定位错误的百分比在3 m, 10米、30米。

3.2.1数据集(2)

的上半部分图5显示使用的卫星数量的时间序列数据集(2)。之前和之后的平均数量的卫星分类25岁和14.9,分别,而TN卫星的数量是13.1。因此,支持向量机分类器(2)检测到大约10仿真结果信号在每个时代。此外,TPs的平均数字,FPs, fn在每个时代都是9.0,1.1,和1.8卫星,分别。

表4显示了一个比较水平定位错误的数据集(2)。比较DGNSS + SVM分类器(1)和DGNSS + SVM分类器(2),定位错误的比例在10 m特别改善因为SVM分类器(2)的准确性为25%高于SVM分类器(1)(见也表3)。然而,它没有超过DGNSS +剩余的值检查。DGNSS + SVM分类器的组合(2)+残留检查,定位错误的比例在10 m是显著提高与其他结果相比,而最大误差是由于这一事实fn在SVM分类器(2)和伪距残检查是不正确的。,让它更容易直观地理解水平定位结果的改进,较低的一部分图5显示了DGNSS DGNSS +残余检查定位错误,DGNSS + SVM分类器(2),DGNSS + SVM分类器(2)+残余检查。DGNSS + SVM分类器2)+残留检查产生最小的错误。

3.2.2数据集(3)

的上半部分图6显示使用的卫星数量的时间序列数据集(3)。之前和之后的平均数量的卫星分类是17.6和12.2,分别是11.6 TN卫星的数量。因此,支持向量机分类器(2)检测到大约5仿真结果信号在每个时代。此外,TPs的平均数字,FPs, fn在每个时代都是4.6,0.6,和0.8卫星,分别。

表5显示了一个比较水平定位错误的数据集(3),和下部的图6显示了DGNSS DGNSS +残余检查定位误差,DGNSS + SVM分类器(2),DGNSS + SVM分类器(2)+残余检查。除了最大错误,所有统计数据显示改进的数据集(2)。对于DGNSS + SVM分类器(2)+残留检查,定位错误的比例在10 m DGNSS相比提高了> 80%,仅和> 90%的水平定位错误是在10 m。

3.3运动试验和结果

发现该方法的局限性,我们进行了一项运动测试。GNSS天线安装在一辆旅行沿途所示图7。我们收集的数据,分析了DGNSS定位。东京车站周围的路线包括摩天大楼在东京,日本,DGNSS定位误差容易达到几十米甚至更高。总的数据记录是1811年代时期,和数据记录在1赫兹。gps - 703 - ggg -高压(Novatel公司、有限公司、加拿大),这是一个survey-grade GNSS天线,用于实验。参考位置是获得使用POS LVX (Applanix公司、加拿大)。其他设置是一样的表2。

表6显示了支持向量机分类器在运动测试的准确性和数据集(1)。在静态条件下实验相比,没有贡献的SFM准确性。这是因为定位环境变化不时在运动条件下,信号频率变化从洛杉矶到仿真结果或仿真结果洛杉矶。因此,我们使用支持向量机分类器(1)在运动测试。

表7显示了一个比较水平定位错误的运动测试,和图8显示了DGNSS DGNSS +残余检查定位误差,DGNSS + SVM分类器(1),和DGNSS + SVM分类器(1)+残余检查。比较DGNSS和DGNSS +残留检查,伪距残检查是有效的在静态测试。至于DGNSS + SVM分类器(1),支持向量机分类器(1)是有效的定位。然而,它没有超过DGNSS +剩余的值检查。的组合DGNSS + SVM分类器(2)+残余检查,所有的统计数据都比其他方法更好。

4讨论

我们两个静态测试和一个运动进行测试研究。

在静态测试中,伪距残差检验是有效的,但DGNSS +残余检查的结果没有改善,因与SVM分类器(2)的基础上表4,5。此外,支持向量机分类器(2)的水平定位结果都优于SVM分类器(1),所表示的精度就越高。基于表3,训练数据的准确性提高了通过使用SFM∼8%,而测试数据,改善> 15%。因此,支持向量机分类器(2)比SVM分类器能更有效地学习使用SFM在静态条件下(1)。平均的1.8 FN在每个时代无法消除卫星数据集(2),而平均的0.8 FN在每个时代无法消除卫星数据集(3)。因此,我们可以获得更准确的位置与SVM的组合分类器(2)和伪距残检查(表4,5)。

在运动测试,伪距残检查是有效的在静态测试中,虽然SFM没有导致精度。速度的意思是在这个实验中是3.6 m / s,和如果我们计算SFM 30年代,定位环境会改变了大约100米从开始到结束。因此,SFM并不意味着信噪比信号波动由于仿真结果。结合支持向量机分类器(1)和伪距残检查,我们可以获得更准确的位置与其他方法相比(表7)。

我们提出了一个支持向量机分类器和支持向量机分类器的组合(1)和伪距残检查获得一个更精确的位置。值得注意的是,SFM静态条件下是一个有用的功能,而其使用在运动测试问题。这是一个新奇事物的静态测试和运动学限制测试。伪距残检查是有用的在密集的城市就是明证在这项研究中,所有的测试的效果,然而,有限,许多信号仿真结果。另一方面,支持向量机分类器不能检测信号仿真结果完全是因为其测试精度约为90%。因此,作为新证据在这项研究中,结合支持向量机分类器和伪距残检查是最有效的方法在人口密集的城市地区。

虽然在这项研究中使用的特性指标的仿真结果信号的特点,从每个特性很难确定是否一个信号是一个仿真结果的信号。它也很难确定这些特性的仿真结果阈值。这是介绍了机器学习的地方。这里使用的方法不需要其他设备,只需要一个支持向量机分类器编写的Python代码。在这项研究中,我们评估三个数据集;然而,东京车站附近得到的所有数据。为了进一步评估该方法的通用性,有必要评估分类使用来自其他地方的数据。此外,我们使用数据记录27分钟训练,因为有几个候选人的位置,仿真结果与确定性信号可以观察到,公园,很难长时间和获取数据。为了进一步提高精度,我们计划找一个地方我们可以获得数据大约24 h和重新训练支持向量机分类器。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

作者的贡献

和NK的构思和设计实验;NK进行了实验。分析数据;NK也部分地分析数据。所有作者已阅读及同意发布版本的手稿。

资金

这项工作是支持的jsp KAKENHI,格兰特JP16K0532数量。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织或出版商、编辑和评论员。任何产品,本文评估或声称,可能是由其制造商并不能保证或认可的出版商。

确认

作者要感谢审稿人和编辑的帮助改善。

引用