本發(fā)明涉及北斗定位，尤其是一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備及方法。

背景技術(shù)：

1、近年來(lái)，北斗全球?qū)Ш叫l(wèi)星系在硬件和軟件方面全面發(fā)展，在空曠地方的定位精度可以達(dá)到厘米級(jí)。然而在城市復(fù)雜環(huán)境中，由于多路徑和非視距等復(fù)雜的環(huán)境誤差會(huì)而導(dǎo)致定位不準(zhǔn)確，在城市復(fù)雜環(huán)境下定位誤差可能達(dá)到數(shù)十米。

2、為了實(shí)現(xiàn)在各個(gè)場(chǎng)景以及不同城市的高可用性和高精度的gnss定位，人們研究了一系列基于人工智能的定位校正算法。其中有通過(guò)使用高精度地圖和慣性導(dǎo)航來(lái)實(shí)現(xiàn)車輛的持續(xù)高精度定位。雖然基于人工智能的方法可以通過(guò)使用測(cè)量數(shù)據(jù)來(lái)學(xué)習(xí)環(huán)境噪聲模型的復(fù)雜特征，而無(wú)需嚴(yán)格的先驗(yàn)假設(shè)，這在改善復(fù)雜城市地區(qū)的gnss定位方面顯示出巨大的潛力。

3、然而，這些方法均只在理想環(huán)境下進(jìn)行的驗(yàn)證，與實(shí)際運(yùn)行環(huán)境有很大差別。目前仍存在以下問(wèn)題：

4、1)這些算法均基于tensorflow或pytorch等采用深度學(xué)習(xí)應(yīng)用框架開(kāi)發(fā)，使用python語(yǔ)言可以方便地創(chuàng)建深度網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練和驗(yàn)證，然后將模型部署到應(yīng)用系統(tǒng)中。然而，由于車載mcu系統(tǒng)的存儲(chǔ)資源和計(jì)算能力不足，無(wú)法直接部署可以在上述這些框架中創(chuàng)建和驗(yàn)證的模型。

5、2)上述算法在進(jìn)行訓(xùn)練和驗(yàn)證時(shí)，輸入信息均是從基于已有的數(shù)據(jù)樣本中獲取，并未考慮數(shù)據(jù)處理的實(shí)時(shí)性。而在實(shí)際運(yùn)行過(guò)程中，衛(wèi)星定位信號(hào)從接收到得到處理的流程極為關(guān)鍵，這是高精度定位信息實(shí)時(shí)性的保證。

6、3)上述算法并沒(méi)有有效的關(guān)聯(lián)起來(lái)，沒(méi)有考慮多徑信號(hào)智能識(shí)別算法與ai定位校正算法的有效結(jié)合，不能有效的發(fā)揮ai定位增強(qiáng)的能力。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，本發(fā)明有效的結(jié)合了多徑信號(hào)識(shí)別和定位校正，從而提高了衛(wèi)星定位的精度。

2、本發(fā)明的技術(shù)方案為：一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，包括：

3、接收天線，用于接收衛(wèi)星的星歷信息信號(hào)；

4、前置信號(hào)解算模塊，用于對(duì)接收的衛(wèi)星的星歷信息信號(hào)進(jìn)行解算并得到衛(wèi)星特征觀測(cè)信息數(shù)據(jù)；

5、mcu芯片，所述的mcu芯片集成有卡爾曼濾波器、以及由基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊和基于transformer的多徑信號(hào)識(shí)別模塊組成的定位增強(qiáng)模型；

6、其中，所述的基于transformer的多徑信號(hào)識(shí)別模塊用于剔除衛(wèi)星特征觀測(cè)信息數(shù)據(jù)中受到多徑影響的衛(wèi)星數(shù)據(jù)；并將剔除后的純凈的數(shù)據(jù)傳遞給卡爾曼濾波器；基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊用于輸出對(duì)當(dāng)前定位位置的修正量；卡爾曼濾波器基于純凈數(shù)據(jù)計(jì)算得到初始粗略位置，再結(jié)合所述定位增強(qiáng)模塊輸出的當(dāng)前定位位置的修正量，輸出得到校正的高精度定位位置。

7、作為優(yōu)選的，所述的基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊包括多視角環(huán)境感知模塊和定位校正策略學(xué)習(xí)模塊。

8、作為優(yōu)選的，所述的多視角環(huán)境感知模塊包括多層感知網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)lstm；通過(guò)將當(dāng)前環(huán)境觀測(cè)的測(cè)量信息和歷史行為的狀態(tài)信息分別輸入到多層感知網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)lstm中進(jìn)行處理后級(jí)聯(lián)，輸入到定位校正策略學(xué)習(xí)模塊學(xué)習(xí)定位校正策略。

9、作為優(yōu)選的，當(dāng)前環(huán)境觀測(cè)的測(cè)量信息為由當(dāng)前時(shí)刻的衛(wèi)星偽距殘差res、視距向量los、高度角ao和載噪比c/n0組成的特征觀測(cè)向量。

10、作為優(yōu)選的，所述的長(zhǎng)短期記憶網(wǎng)絡(luò)lstm包括輸入門(mén)、遺忘門(mén)、隱藏單元和輸出門(mén)；將觀測(cè)信息輸入到長(zhǎng)短期記憶網(wǎng)絡(luò)lstm能夠通過(guò)整合過(guò)往時(shí)刻的隱藏狀態(tài)與當(dāng)前觀測(cè)值中的特征信息，精準(zhǔn)地估算出當(dāng)前時(shí)刻的置信狀態(tài)ht。

11、作為優(yōu)選的，所述的歷史行為的狀態(tài)信息pt包含最后n個(gè)時(shí)間步的歷史軌跡的歷史行為信息。

12、基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊在每個(gè)時(shí)間步的目標(biāo)是找到最佳校正動(dòng)作來(lái)校正該過(guò)程是基于滑動(dòng)窗口進(jìn)行的，基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊每當(dāng)獲得位置校正信息多視角環(huán)境感知模塊的滑動(dòng)窗口向前移動(dòng)一步，形成一個(gè)大小恒定為n的歷史行為的狀態(tài)信息；隨后將該狀態(tài)信息輸入到多層感知網(wǎng)絡(luò)計(jì)算得到基于行為信息的置信狀態(tài)計(jì)算表達(dá)式如下：

13、

14、其中，wi表示第i個(gè)神經(jīng)元的連接權(quán)重，b表示偏置項(xiàng)，xi是上一層的神經(jīng)元輸出；n表示神經(jīng)元總數(shù)；σ表示sigmod激活函數(shù)。

15、最后將當(dāng)前時(shí)刻下環(huán)境觀測(cè)的置信狀態(tài)ht和基于行為信息的置信狀態(tài)h′t拼接得到多角度的置信狀態(tài)ht，并作為定位校正策略學(xué)習(xí)模塊的輸入，即：

16、ht＝g[ht,h′t]。

17、作為優(yōu)選的，所述的定位校正策略學(xué)習(xí)模塊通過(guò)基于近端優(yōu)化策略構(gòu)建，包括價(jià)值網(wǎng)絡(luò)和動(dòng)作網(wǎng)絡(luò)，通過(guò)價(jià)值網(wǎng)絡(luò)和動(dòng)作網(wǎng)絡(luò)學(xué)習(xí)策略價(jià)值和校正動(dòng)作，對(duì)于價(jià)值網(wǎng)絡(luò)采用值函數(shù)更新，通過(guò)使用均方返回誤差來(lái)計(jì)算t時(shí)刻的損失值；通過(guò)使用每個(gè)狀態(tài)ht的均方返回誤差來(lái)計(jì)算損失，并更新價(jià)值網(wǎng)絡(luò)的參數(shù)；為了有效量化置信狀態(tài)ht對(duì)輸出動(dòng)作的影響，使用廣義優(yōu)勢(shì)估計(jì)(gae)來(lái)更新當(dāng)前動(dòng)作網(wǎng)絡(luò)的策略。

18、作為優(yōu)選的，所述的基于transformer的多徑信號(hào)識(shí)別模塊包括基于transformer網(wǎng)絡(luò)的多輸入融合模塊、特征編碼模塊、特征解碼模塊；通過(guò)將當(dāng)前歷元觀測(cè)特征和多歷元時(shí)序特征輸入多輸入融合模塊中將高維數(shù)據(jù)映射到低維向量中，生成低維的潛在特征表示；隨后通過(guò)特征編碼模塊對(duì)生成的低維向量進(jìn)行編碼并學(xué)習(xí)規(guī)律，然后再通過(guò)特征解碼模塊分類解碼，最終輸出對(duì)多徑信號(hào)的識(shí)別結(jié)果。

19、作為優(yōu)選的，通過(guò)天線接收的衛(wèi)星星歷信息首先經(jīng)過(guò)前置信號(hào)解算模塊解算為衛(wèi)星特征信息，再分別輸入到基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊和基于transformer的多徑信號(hào)識(shí)別模塊中進(jìn)行模型的訓(xùn)練和驗(yàn)證。

20、作為優(yōu)選的，對(duì)所述的定位增強(qiáng)模型進(jìn)行簡(jiǎn)化處理包括剪枝和量化處理。

21、作為優(yōu)選的，通過(guò)采用tensorflow?lite?for?micro作為在mcu芯片部署定位增強(qiáng)模型的支持庫(kù)；通過(guò)定位增強(qiáng)模型的基礎(chǔ)算子的方式將定位增強(qiáng)模型轉(zhuǎn)換到tensorflow框架中。

22、本發(fā)明的有益效果為：

23、1、本發(fā)明有效的結(jié)合了多徑信號(hào)識(shí)別和定位校正，從而提高了衛(wèi)星定位的精度；并基于雙核mcu和rtos操作系統(tǒng)的特性，通過(guò)拆分使計(jì)算模塊，使算法實(shí)現(xiàn)并行計(jì)算，并通過(guò)延時(shí)等待策略保障了定位結(jié)果的及時(shí)輸出；

24、2、本發(fā)明通過(guò)搭建最基礎(chǔ)的網(wǎng)絡(luò)層的形式來(lái)實(shí)現(xiàn)復(fù)雜模型的轉(zhuǎn)換和簡(jiǎn)化壓縮，并基于tensorflow?lite?for?micro庫(kù)構(gòu)建出能夠在性能受限的mcu上運(yùn)行的定位增強(qiáng)模型，有效降低了人工智能定位模組的部署成本；

25、3、本發(fā)明通過(guò)采用模型量化和剪枝循環(huán)更新的方法，在即保障模型校正精度的情況下，盡可能壓縮了模型網(wǎng)絡(luò)結(jié)構(gòu)，減小了模型儲(chǔ)存大小，提高了模型部署運(yùn)行的效率。

技術(shù)特征：

1.一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：所述的基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊包括多視角環(huán)境感知模塊和定位校正策略學(xué)習(xí)模塊。

3.根據(jù)權(quán)利要求2所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：所述的多視角環(huán)境感知模塊包括多層感知網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)lstm；通過(guò)將當(dāng)前環(huán)境觀測(cè)的測(cè)量信息和歷史行為的狀態(tài)信息分別輸入到多層感知網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)lstm中進(jìn)行處理后級(jí)聯(lián)，輸入到定位校正策略學(xué)習(xí)模塊學(xué)習(xí)定位校正策略。

4.根據(jù)權(quán)利要求3所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：當(dāng)前環(huán)境觀測(cè)的測(cè)量信息為由當(dāng)前時(shí)刻的衛(wèi)星偽距殘差res、視距向量los、高度角ao和載噪比c/n0組成的特征觀測(cè)向量；

5.根據(jù)權(quán)利要求4所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：所述的長(zhǎng)短期記憶網(wǎng)絡(luò)lstm包括輸入門(mén)、遺忘門(mén)、隱藏單元和輸出門(mén)；將觀測(cè)信息輸入到長(zhǎng)短期記憶網(wǎng)絡(luò)lstm能夠通過(guò)整合過(guò)往時(shí)刻的隱藏狀態(tài)與當(dāng)前觀測(cè)值中的特征信息，精準(zhǔn)地估算出當(dāng)前時(shí)刻的置信狀態(tài)ht，計(jì)算表達(dá)式如下：

6.根據(jù)權(quán)利要求3所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：所述的定位校正策略學(xué)習(xí)模塊通過(guò)基于近端優(yōu)化策略構(gòu)建，包括價(jià)值網(wǎng)絡(luò)和動(dòng)作網(wǎng)絡(luò)，通過(guò)價(jià)值網(wǎng)絡(luò)和動(dòng)作網(wǎng)絡(luò)學(xué)習(xí)策略價(jià)值和校正動(dòng)作。

7.根據(jù)權(quán)利要求6所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：對(duì)于價(jià)值網(wǎng)絡(luò)采用值函數(shù)更新，通過(guò)使用均方返回誤差來(lái)計(jì)算t時(shí)刻的損失值：

8.根據(jù)權(quán)利要求1所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：所述的基于transformer的多徑信號(hào)識(shí)別模塊包括基于transformer網(wǎng)絡(luò)的多輸入融合模塊、特征編碼模塊、特征解碼模塊；通過(guò)將當(dāng)前歷元觀測(cè)特征和多歷元時(shí)序特征輸入多輸入融合模塊中將高維數(shù)據(jù)映射到低維向量中，生成低維的潛在特征表示；隨后通過(guò)特征編碼模塊對(duì)生成的低維向量進(jìn)行編碼并學(xué)習(xí)規(guī)律，然后再通過(guò)特征解碼模塊分類解碼，最終輸出對(duì)多徑信號(hào)的識(shí)別結(jié)果。

9.根據(jù)權(quán)利要求1所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：通過(guò)接收天線接收的接收衛(wèi)星的星歷信息信號(hào)對(duì)由基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊和基于transformer的多徑信號(hào)識(shí)別模塊組成的定位增強(qiáng)模型進(jìn)行訓(xùn)練和驗(yàn)證后進(jìn)行簡(jiǎn)化和轉(zhuǎn)換處理，然后在mcu中調(diào)用tflm庫(kù)函數(shù)搭建同構(gòu)模型，并運(yùn)行同構(gòu)模型進(jìn)行定位推理。

10.根據(jù)權(quán)利要求9所述的一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，其特征在于：對(duì)所述的定位增強(qiáng)模型進(jìn)行簡(jiǎn)化處理包括剪枝和量化處理；

技術(shù)總結(jié)
本發(fā)明提供一種面向單北斗系統(tǒng)的高精度智能定位終端設(shè)備，包括接收天線、前置信號(hào)解算模塊、MCU芯片；所述的MCU芯片集成有卡爾曼濾波器、以及由基于深度強(qiáng)化學(xué)習(xí)的定位增強(qiáng)模塊和基于Transformer的多徑信號(hào)識(shí)別模塊組成的定位增強(qiáng)模型；本發(fā)明有效的結(jié)合了多徑信號(hào)識(shí)別和定位校正，從而提高了衛(wèi)星定位的精度；通過(guò)搭建最基礎(chǔ)的網(wǎng)絡(luò)層的形式來(lái)實(shí)現(xiàn)復(fù)雜模型的轉(zhuǎn)換和簡(jiǎn)化壓縮，并基于TensorFlow?Lite?for?Micro庫(kù)構(gòu)建出能夠在性能受限的MCU上運(yùn)行的定位增強(qiáng)模型；本發(fā)明通過(guò)多角度環(huán)境感知模塊減少感知差異對(duì)城市復(fù)雜環(huán)境的噪聲建模的影響，提高了模型對(duì)當(dāng)前環(huán)境的感知能力以及對(duì)數(shù)據(jù)的利用率。

技術(shù)研發(fā)人員：李珍妮,李暉,唐健浩,謝勝利
受保護(hù)的技術(shù)使用者：廣東工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15