【技術實現步驟摘要】
本專利技術涉及導航，特別是涉及基于深度學習的gnss?nlos數據清洗組合導航方法。
技術介紹
1、現代導航系統中，全球導航衛星系統(global?navigation?satellite?system，gnss)是一種常用的定位技術，能夠為用戶提供高精度的位置信息，在社會、經濟、軍事等領域發揮著越來越重要的作用。在較為開闊的環境下，gnss更夠為其提供較為可靠的定位精度，然而，在城市峽谷、森林、室內等復雜環境中,gnss信號容易受到遮擋、反射和多徑效應的影響，導致定位精度下降甚至喪失定位能力。其中，非視距信號(non?line?of?sight,nlos)是導致定位誤差的主要因素之一。
2、目前，國內外許多學者對檢測nlos信號和降低其導致的誤差進行了大量研究。近年來，得益于視覺技術的飛速發展，基于視覺檢測識別nlos信號的方法由于其優越性能而被重點關注。較早時期，有學者提出利用視覺并對圖像使用二值化的方式進行天空和非天空區域的分割提取。目前，許多學者也使用fisher聚類算法、k-means聚類算法、canny邊緣檢測和flood?fill算法來進行分割出天空區域，然而，在過度曝光、建筑物顏色與天空顏色近似等特殊環境會出現判斷的天空區域與實際上的區域有所出入，特別地，在天空環境圖像中心點為遮擋物或者所選取中心點為遮擋物時，會導致使用flood?fill算法進行天空區域提取失敗，從而出現判斷完全相反的現象。
3、在對nlos信號加權上，有學者在衛星數量較少情況下，采取剔除的措施，在衛星數量過少時，采取剔
4、目前利用深度學習進行圖像分割的研究如火如荼，利用深度學習的方式進行天空區域和非天空區域的提取，從而避免上述視覺檢測識別法的誤判現象，進而提高gnss?nlos信號的識別準確度，以達到提高gnss/ins組合導航定位精度的目的。
技術實現思路
1、為了解決上述現有技術存在的問題，本專利技術的目的是提出基于深度學習的gnssnlos數據清洗組合導航方法，在以較低的額外成本投入時，有效解決了檢測識別gnss?nlos信號的問題。
2、為實現上述目的，本專利技術提供了如下方案：
3、基于深度學習的gnss?nlos數據清洗組合導航方法，包括：
4、獲取載體天向環境圖像信息，對所述載體天向圖像信息進行預處理，獲取mask圖像；
5、將所述mask圖像和載體原始天向環境圖像輸入deeplabv3+模型，獲取圖像中每個像素的類別標簽；所述deeplabv3+模型通過將aspp的卷積改為depth-wise卷積增強圖像中多尺度特征的提取能力；
6、獲取載體與所述載體接收到的gnss衛星的高度角和方位角，根據所述高度角、所述方位角、相機內參和載體方位角信息，構建衛星投影模型，基于所述衛星投影模型，獲取所述gnss衛星在類別標簽標注后的圖像的像素坐標系下的像素坐標；
7、確定所述像素坐標所在區域類型并判斷為非視距信號或視距信號，對所述非視距信號或視距信號賦予權重，根據所述權重進行gnss衛星位置解算，生成定位結果。
8、可選地，獲取所述mask圖像包括：
9、對所述載體天向環境圖像信息進行標定，獲取標記文件；其中，所述標定的內容包括：天空區域，建筑物區域、樹木區域；
10、基于所述標記文件，獲取所述mask圖像。
11、可選地，獲取載體與所述載體接收到的gnss衛星的高度角和方位角的方法為：
12、
13、其中，h，e分別為方位角和高度角，ls，bs為載體的大地經度和緯度，δxs，δys，δzs分別為載體與觀測衛星之間三個方向上的距離，r為載體到觀測衛星的距離，π為圓周率。
14、可選地，獲取所述gnss衛星在類別標簽標注后的圖像的像素坐標系下的像素坐標的方法為：
15、
16、其中，(xc,yc)為圖像中心像素坐標，a為衛星方位角，rl為衛星投影點到圖像中心的像素距離，h為方位角。
17、可選地，獲取衛星投影點到圖像中心的像素距離的方法為：
18、
19、其中，fc為相機像素焦距，e為高度角。
20、可選地，對所述非視距信號賦予權重的方法為：
21、
22、其中，snrn為第n顆衛星信噪比，a,b,c分別為信噪比定權時的經驗值，γ和β為分別為不同遮擋物的經驗值，distmin為根據衛星投影點的像素坐標計算至主要天空區域的最短像素距離，snri為非視距信號對應衛星的信噪比，rmax為衛星圖像坐標距離天空邊界距離的閾值，i為圖片類型，itree為遮擋物體類型位樹木，&為并集。
23、可選地，根據衛星投影點的像素坐標計算至主要天空區域的最短像素距離的方法為：
24、
25、其中，n為天空區域邊界像素點個數，和分別表示邊界點的橫坐標和縱坐標，(xc,yc)為圖像中心像素坐標。
26、可選地，根據所述權重進行gnss衛星位置解算的方法為：
27、
28、其中，g為由接收機和衛星位置確定的幾何矩陣；w為不同gnss衛星信號的權值，b為偽距向量組成的觀測值，t為轉置符號，δx、δy、δz、δtu為定位結果和接收機鐘差。
29、為實現上述目的，本專利技術還提供了一種計算機系統，包括：一個或多個處理器，計算機可讀存儲介質，用于存儲一個或者多個程序，多個計算機設備的處理器執行所述計算機程序時共同實現所述方法的步驟。
30、為實現上述目的，本專利技術還提供了一種計算機可讀存儲介質，存儲有計算機可執行指令，所述存儲介質存儲的計算機程序被處理器執行時實現所述方法的步驟。
31、本專利技術的有益效果為：
32、本專利技術在視覺定位技術與gnss?nlos信號處理技術深度融合的背景下，，針對于gnss/ins組合導航易受到gnss?nlos信號的影響而導致車載導航定位精度較差的問題，提出了一種基于深度學習的gnss?nlos數據清洗組合導航方法。該方法利用魚眼相機獲取天向環境圖像信息，將其分為天空區域、樹木遮擋區域和建筑物遮擋區域，將衛星信號投影到處理后的圖像上，準確檢測并識別出nlos信號，更進一步的，利用nlos信號距天空區域最近像素距離表征nlos的遮擋程度，對nlos信號重新定權進行nlos的權重分配與剔除處理，以達到充分發掘和利用nlos的有利信息的目的，從而更好地將gnss定位解數據輸入到gnss/ins組本文檔來自技高網...
【技術保護點】
1.基于深度學習的GNSS?NLOS數據清洗組合導航方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的GNSS?NLOS數據清洗組合導航方法，其特征在于，獲取所述mask圖像包括：
3.根據權利要求1所述的基于深度學習的GNSS?NLOS數據清洗組合導航方法，其特征在于，獲取載體與所述載體接收到的GNSS衛星的高度角和方位角的方法為：
4.根據權利要求1所述的基于深度學習的GNSS?NLOS數據清洗組合導航方法，其特征在于，獲取所述GNSS衛星在類別標簽標注后的圖像的像素坐標系下的像素坐標的方法為：
5.根據權利要求4所述的基于深度學習的GNSS?NLOS數據清洗組合導航方法，其特征在于，獲取衛星投影點到圖像中心的像素距離的方法為：
6.根據權利要求1所述的基于深度學習的GNSS?NLOS數據清洗組合導航方法，其特征在于，對所述非視距信號賦予權重的方法為：
7.根據權利要求6所述的基于深度學習的GNSS?NLOS數據清洗組合導航方法，其特征在于，根據衛星投影點的像素坐標計算至主要天空區域的最短像
8.根據權利要求1所述的基于深度學習的GNSS?NLOS數據清洗組合導航方法，其特征在于，根據所述權重進行GNSS衛星位置解算的方法為：
9.一種計算機系統，包括：一個或多個處理器，計算機可讀存儲介質，用于存儲一個或者多個程序，其特征在于，多個計算機設備的處理器執行所述計算機程序時共同實現權利要求1至8任一項所述方法的步驟。
10.一種計算機可讀存儲介質，存儲有計算機可執行指令，其特征在于，所述存儲介質存儲的計算機程序被處理器執行時實現權利要求1至8任一項所述方法的步驟。
...【技術特征摘要】
1.基于深度學習的gnss?nlos數據清洗組合導航方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的gnss?nlos數據清洗組合導航方法，其特征在于，獲取所述mask圖像包括：
3.根據權利要求1所述的基于深度學習的gnss?nlos數據清洗組合導航方法，其特征在于，獲取載體與所述載體接收到的gnss衛星的高度角和方位角的方法為：
4.根據權利要求1所述的基于深度學習的gnss?nlos數據清洗組合導航方法，其特征在于，獲取所述gnss衛星在類別標簽標注后的圖像的像素坐標系下的像素坐標的方法為：
5.根據權利要求4所述的基于深度學習的gnss?nlos數據清洗組合導航方法，其特征在于，獲取衛星投影點到圖像中心的像素距離的方法為：
6.根據權利要求1所述的基于深度學習的gnss...
【專利技術屬性】
技術研發人員：岳哲，孫臣臣，張孟碩，連增增，柴華彬，郝振興，劉磊，代巧斌，馬文卓，
申請(專利權)人：河南理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。