一种卫星定位的方法、装置及介质

技术领域

本发明涉及定位导航技术领域，特别是涉及一种卫星定位的方法、装置及介质。

背景技术

全球卫星导航系统(Global Navigation Satellite System，GNSS)高精度定位具有广泛的应用前景。相对于传统的精密单点定位技术(Precise Point Positioning，PPP)，PPP-RTK技术能够极大缩短收敛时间，实现快速模糊度固定。同时，相对于实时动态差分定位技术(Real Time Kinematic，RTK)，PPP-RTK需要的基站数量更少、服务可靠性更高。因此，PPP-RTK有望在自动驾驶等领域得到广泛应用。为实现PPP-RTK在自动驾驶等领域的应用，需要在PPP-RTK用户端进行完好性监测，向用户输出可接受风险下的位置误差上界信息，即保护水平。

现有的PPP-RTK技术的研究主要集中于系统实现、提升定位精度、提高模糊度固定率等方向上，对于PPP-RTK完好性监测的研究较少。然而，对于自动驾驶等生命安全相关的应用，完好性是至关重要的性能指标。完好性指的是当导航系统不可用时及时向用户提供告警的能力，它反映的是对导航系统提供导航信息的正确性的信任程度。具体来讲，导航系统不可用通常是由于参与定位的测量或产品信息中出现故障造成的。然而接收机在实际运行中常遭受多路径、非直射信号等干扰，导致实际定位误差超过理论推导的保护水平的概率远高于理论值，使得用户面临风险。

因此，如何实现对保护水平进行修正以提高定位系统的完好性监测是本领域技术人员亟需要解决的。

发明内容

本发明的目的是提供一种卫星定位的方法、装置及介质，对保护水平进行修正，降低危险事件发生的概率，提高复杂环境下保护水平的可靠性。

为解决上述技术问题，本发明提供一种卫星定位的方法，包括：

调用预测保护水平修正模型以输入属性信息，其中所述属性信息通过PPP-RTK服务信息、接收机的观测信息进行PPP-RTK定位得到的信息；

获取所述预测保护水平修正模型的输出参数作为修正系数；

根据所述修正系数对理论保护水平修正得到修正后的保护水平，其中所述理论保护水平基于理论模型得到；

根据所述修正后的保护水平对卫星定位的定位结果进行分析以得到分析结果。

优选地，所述PPP-RTK服务信息至少包括GNSS卫星的轨道信息、钟差信息、偏差信息和大气信息；

所述观测信息至少包括所述接收机的伪距信息和载波观测信息；

所述属性信息至少包括可见卫星的数量信息、载噪比信息、残差信息、模糊度固定状态信息和模糊度固定数量信息。

优选地，所述预测保护水平修正模型的建立过程，具体包括：

获取样本服务信息、样本观测信息以及数据库中存储的参考轨迹信息；

根据所述样本服务信息和所述样本观测信息进行PPP-RTK定位得到离线定位信息和离线属性信息；

根据所述离线定位信息和所述参考轨迹信息进行处理得到定位误差信息；

根据所述理论保护水平与所述定位误差信息的关系确定离线修正系数；

通过机器学习算法对所述离线修正系数和所述离线属性信息进行训练得到所述预测保护水平修正模型。

优选地，所述根据所述理论保护水平与所述定位误差信息的关系确定离线修正系数，包括：

在所述理论保护水平未全部包络所述定位误差信息或所述理论保护水平全部包络所述定位误差信息，且所述理论保护水平与所述定位误差信息的差值小于阈值的情况下，设定所述离线修正系数。

优选地，所述理论保护水平通过无故障保护水平公式或者多解分离保护水平公式得到。

优选地，获取所述样本服务信息和所述样本观测信息，包括：

搭建PPP-RTK采集系统；

根据不同场景进行路测以记录所述样本服务信息和所述样本观测信息；

对应地，获取所述数据库中存储的参考轨迹信息，包括：

搭建真值参考系统；

根据事后处理软件以得到所述参考轨迹信息。

优选地，在得到所述修正后的保护水平之后，还包括：

输出用于提示工作人员的提示信息。

为解决上述技术问题，本发明还提供一种卫星定位的装置，包括：

调用模块，用于调用预测保护水平修正模型以输入属性信息，其中所述属性信息通过PPP-RTK服务信息、接收机的观测信息进行PPP-RTK定位得到的信息；

获取模块，用于获取所述预测保护水平修正模型的输出参数作为修正系数；

修正模块，用于根据所述修正系数对理论保护水平修正得到修正后的保护水平，其中所述理论保护水平基于理论模型得到；

分析模块，用于根据所述修正后的保护水平对卫星定位的定位结果进行分析以得到分析结果。

为解决上述技术问题，本发明还提供一种卫星定位的装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述所述的卫星定位的方法的步骤。

为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的卫星定位的方法的步骤。

本发明提供的一种卫星定位的方法，包括：调用预测保护水平修正模型以输入属性信息，其中属性信息通过PPP-RTK服务信息、接收机的观测信息进行PPP-RTK定位得到的信息；获取预测保护水平修正模型的输出参数作为修正系数；根据修正系数对理论保护水平修正得到修正后的保护水平，其中理论保护水平基于理论模型得到；根据修正后的保护水平对卫星定位的定位结果进行分析以得到分析结果。该方法通过引入数据驱动(属性信息)，属性信息基于实际运行的实际数据，挖掘与服务信息、观测信息进行PPP-RTK定位得到的定位误差的关系，实现对保护水平修正系数的预测，从而对保护水平进行修正，修正后的保护水平对卫星进行定位，降低危险事件发生的概率，提高复杂环境下保护水平的可靠性。

另外，本发明还提供了一种卫星定位的装置及介质，具有如上述卫星定位的方法相同的有益效果。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种卫星定位的方法的流程图；

图2为本发明实施例提供的另一种卫星定位的方法的流程图；

图3为本发明实施例提供的一种机器学习训练的示意图；

图4为本发明实施例提供的一种机器学习预测过程的示意图；

图5为本发明实施例提供的一种卫星定位的装置的结构图；

图6为本发明实施例提供的另一种卫星定位的装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。

本发明的核心是提供一种卫星定位的方法、装置及介质，对保护水平进行修正，降低危险事件发生的概率，提高复杂环境下保护水平的可靠性。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

需要说明的是，PPP-RTK技术的基本原理是在服务端，利用全球分布的基准站实时估计生成GNSS卫星的轨道、钟差、偏差产品，并利用区域分布的基准站实时生成区域大气延迟信息；服务端生成的上述信息通过互联网或者卫星链路播发给用户端；在用户端，利用接收机输出的伪距、载波观测和接收到的服务端服务信息，基于卡尔曼滤波等状态估计方法进行位置估计，并进行模糊度固定以增强定位精度。已有的PPP-RTK技术的用户端完好性监测主要采用两种方案，一种是基于无故障模式推到保护水平，另一种是由于考虑不同的故障模式，得到的保护水平较为安全，本发明基于上述的另一种模式的基础上进行的卫星定位的方法。

另外，现有的完好性监测的测量误差模型难以准确地描述实际的误差分布，导致现有的PPP-RTK用户端完好性监测方法得到的保护水平无法安全地包络实际定位误差。具体来说，在接收机天线受到树木、建筑物等影响时，实际的PPP-RTK定位误差可能超过给出的保护水平，从而给用户带来危险。为提高复杂环境下保护水平的可靠性，降低上述危险事件发生的概率，需要对保护水平进行工程修正。

图1为本发明实施例提供的一种卫星定位的方法的流程图，如图1所示，包括：

S11：调用预测保护水平修正模型以输入属性信息，其中属性信息通过PPP-RTK服务信息、接收机的观测信息进行PPP-RTK定位得到的信息；

S12：获取预测保护水平修正模型的输出参数作为修正系数；

S13：根据修正系数对理论保护水平修正得到修正后的保护水平，其中理论保护水平基于理论模型得到；

S14：根据修正后的保护水平对卫星定位的定位结果进行分析以得到分析结果。

具体地，调用预测保护水平修正模型是为了解决复杂挑战环境下保护水平不能完全包络实际定位误差的问题，基于机器学习的保护水平修正方法，以挖掘出属性信息与定位误差的关系，以实现对保护水平修正系数的预测。作为一种实施例，预测保护水平修正模型的建立过程，具体包括：

获取样本服务信息、样本观测信息以及数据库中存储的参考轨迹信息；

根据样本服务信息和样本观测信息进行PPP-RTK定位得到离线定位信息和离线属性信息；

根据离线定位信息和参考轨迹信息进行处理得到定位误差信息；

根据理论保护水平与定位误差信息的关系确定离线修正系数；

通过机器学习算法对离线修正系数和离线属性信息进行训练得到预测保护水平修正模型。

可以理解的是，该模型的建立过程是通过样本数据进行离线建立，需要采集大量观测数据，即获取样本服务信息，样本观测信息和参考轨迹信息。样本服务信息主要是针对于PPP-RTK技术的产品信息，例如GNSS卫星的轨道信息、钟差信息和偏差信息。观测信息主要由接收机输出的伪距信息和载波观测信息等，参考轨迹信息为数据库内已经存储的经过真实数据进行PPP-RTK定位技术得到的定位结果，不需要根据真实数据在本次再次进行的定位处理得到的定位结果。

根据样本服务信息和样本观测信息进行PPP-RTK定位得到离线定位信息和离线属性信息，在进行PPP-RTK定位技术时，记录离线定位信息，也就是本次根据离线数据进行定位处理得到的定位结果。离线属性信息是包括可见卫星数、信噪比、残差、模糊度固定状态、模糊度固定数等在内的过程信息。

根据离线定位信息和参考轨迹信息进行处理得到的定位误差信息，也就是根据当前离线信息得到的定位信息与参考轨迹信息的样本定位信息相比较得到定位误差信息。

根据理论保护水平与定位误差信息的关系确定离线修正系数，由于基于理论模型计算的保护水平在一些场景下可能无法安全包络实际的定位误差，故基于实际误差序列，对保护水平进行人工修正，其修正系数也就是离线修正系数。对应的修正过程可根据实际情况设定，本发明不做具体限定。

通过机器学习算法对离线修正系数和离线属性信息进行训练得到其预测保护水平修正模型。运用何种机器学习算法本发明不做设定，可以是基于支持向量机、神经网络等机器学习算法等。

将属性信息输入至完成建立的预测保护水平修正模型后，输出修正系数。可以理解的是，属性信息与上述的离线属性信息的参数相同，其参数下的具体数据是根据实时运行的数据得到，即通过PPP-RTK服务信息、接收机的观测信息进行PPP-RTK定位得到的信息。

作为一种实施例，PPP-RTK服务信息至少包括GNSS卫星的轨道信息、钟差信息、偏差信息和大气信息；

观测信息至少包括接收机的伪距信息和载波观测信息；

属性信息至少包括可见卫星的数量信息、载噪比信息、残差信息、模糊度固定状态信息和模糊度固定数量信息。

可以理解的是，PPP-RTK服务信息和接收机的观测信息与上述实施例中的样本服务信息、样本观测信息可以相同，也可以在其基础上包括担不限于参数，也就是说至少包括上述实施例中的参数，但具体参数的数据与上述实施例的样本信息不同，是根据实时运行的实际数据采集得到。

修正系数是基于记录的属性信息(可见卫星数、载噪比、残差等过程信息)和预先训练的模型得到，得到修正系数后对理论保护水平修正处理得到修正后的保护水平。可以理解的是，理论保护水平基于理论模型得到，可以和上述建立预测保护水平修正模型的理论保护水平采用的计算公式相同，也可以不同，为了提高准确性，其采用的计算公式相同。

根据修正后的保护水平对卫星定位的定位结果进行评测，以确定定位结果的准确性，即对定位结果进行分析，以得到分析结果。

本发明实施例提供的一种卫星定位的方法，包括：调用预测保护水平修正模型以输入属性信息，其中属性信息通过PPP-RTK服务信息、接收机的观测信息进行PPP-RTK定位得到的信息；获取预测保护水平修正模型的输出参数作为修正系数；根据修正系数对理论保护水平修正得到修正后的保护水平，其中理论保护水平基于理论模型得到；根据修正后的保护水平对卫星定位的定位结果进行分析以得到分析结果。该方法通过引入数据驱动(属性信息)，属性信息基于实际运行的实际数据，挖掘与服务信息、观测信息进行PPP-RTK定位得到的定位误差的关系，实现对保护水平修正系数的预测，从而对保护水平进行修正，修正后的保护水平对卫星进行定位，降低危险事件发生的概率，提高复杂环境下保护水平的可靠性。

在上述实施例的基础上，根据理论保护水平与定位误差信息的关系确定离线修正系数，包括：

在理论保护水平未全部包络定位误差信息或理论保护水平全部包络定位误差信息，且理论保护水平与定位误差信息的差值大于阈值的情况下，设定离线修正系数。

具体地，基于理论模型计算的保护水平在一些场景下可能无法安全包络实际的定位误差，因此基于实际误差序列，对对应的保护水平进行人工修正，使保护水平满足两种条件，一种是理论保护水平未全部包络定位误差信息；另一种是在全部包络定位误差信息的基础上，理论保护水平与定位误差信息的差值大于阈值。在满足两种条件的基础上设定离线修正系数。可以设定初始离线修正系数，不断输入至原始建立模型以调整其修正系数直至满足上述两种预设条件为止得到最终的离线修正系数。

本发明实施例提供的通过设定的离线修正系数使得保护水平进行修正以得到利用离线属性信息预测保护水平修正系数的模型，即建立的模型较为准确。

在上述实施例的基础上，作为一种实施例，理论保护水平基于理论模型得到，可以和上述建立预测保护水平修正模型的理论保护水平采用的计算公式相同，也可以不同，具体为：理论保护水平通过无故障保护水平公式或者多解分离保护水平公式得到。

可以利用无故障保护水平计算公式，具体公式如下：

其中，Q为高斯概率函数，P

也可以利用多解分离保护水平计算公式计算理论保护水平，具体公式如下：

其中，P

本实施例提供的理论保护水平通过无故障保护水平公式或者多解分离保护水平公式得到，遵从保护水平公式得到其理论保护水平，便于后续根据修正系数对理论保护水平修正得到修正后的保护水平。

在上述实施例的基础上，建立预测保护水平修正模型的过程中，获取样本服务信息和样本观测信息，包括：

搭建PPP-RTK采集系统；

根据不同场景进行路测以记录样本服务信息和样本观测信息；

对应地，获取数据库中存储的参考轨迹信息，包括：

搭建真值参考系统；

根据事后处理软件以得到参考轨迹信息。

可以理解的是，采集大量路测数据是在搭建PPP-RTK测试采集车，选择高速、高架等场景进行大量路测，记录接收机输出数据及PPP-RTK服务数据。采集真值参考数据：在PPP-RTK测试采集车上同时搭建真值参考系统(如Novatel SPAN系统)，利用事后处理软件(如Novatel Inertial Explorer)获取高精度的轨迹真值。

本实施例提供的获取样本服务信息、样本观测信息以及数据库中存储的参考轨迹信息，是便于离线训练提供样本数据以建立预测保护水平修正模型。

在上述实施例的基础上，在得到修正后的保护水平之后，还包括：

输出用于提示工作人员的提示信息。

得到修正后的保护水平之后，输出提示信息，并将保护水平输出至用户，用于后续的完好性监测。对于输出的提示信息的输出方式不做限定，可以是语音输出，邮件提示或者短信提示均可，根据实际情况设定即可。

本发明实施例提供的在得到修正后的保护水平之后，输出用于提示工作人员的提示信息。提醒工作人员，以便于后续的完好性监测。

图2为本发明实施例提供的另一种卫星定位的方法的流程图，如图2所示，基于机器学习的PPP-RTK用户端保护水平修正包含离线训练和实时运行两大部分。离线训练的作用是：利用大量路测数据和对应的轨迹真值，挖掘出可见卫星数、载噪比、残差等与定位误差的关系，进而训练出保护水平修正模型。然后，在实时运行中，利用训练好的模型，预测保护水平修正系数，得到修正后的保护水平，输出给用户。

图3为本发明实施例提供的一种机器学习训练的示意图，图4为本发明实施例提供的一种机器学习预测过程的示意图，如图3所示，利用“人工确定保护水平修正系数”步骤中获得的保护水平修正系数和“用户端定位&误差计算”步骤中存储的可见卫星数、载噪比、残差、模糊度固定数等过程信息，基于支持向量机、神经网络等机器学习方法进行模型训练。以得到利用过程信息预测保护水平修正系数的模型。如图4所示，用实际的可见卫星数、载噪比、残差、模糊度固定数等过程信息，对图3的训练后的模型预测保护水平修正系数。

上述详细描述了卫星定位的方法对应的各个实施例，在此基础上，本发明还公开与上述方法对应的卫星定位的装置，图5为本发明实施例提供的一种卫星定位的装置的结构图。如图5所示，卫星定位的装置包括：

调用模块11，用于调用预测保护水平修正模型以输入属性信息，其中属性信息通过PPP-RTK服务信息、接收机的观测信息进行PPP-RTK定位得到的信息；

获取模块12，用于获取预测保护水平修正模型的输出参数作为修正系数；

修正模块13，用于根据修正系数对理论保护水平修正得到修正后的保护水平，其中理论保护水平基于理论模型得到；

分析模块14，用于根据修正后的保护水平对卫星定位的定位结果进行分析以得到分析结果。

由于装置部分的实施例与上述的实施例相互对应，因此装置部分的实施例请参照上述方法部分的实施例描述，在此不再赘述。

对于本发明提供的一种卫星定位的装置的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述卫星定位的方法相同的有益效果。

图6为本发明实施例提供的另一种卫星定位的装置的结构图，如图6所示，该装置包括：

存储器21，用于存储计算机程序；

处理器22，用于执行计算机程序时实现卫星定位的方法的步骤。

本实施例提供的卫星定位的装置可以包括但不限于智能手机、平板电脑、笔记本电脑或者台式电脑等。

其中，处理器22可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器22可以采用数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器22也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器22可以集成有图像处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器22还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器21可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器21还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器21至少用于存储以下计算机程序211，其中，该计算机程序被处理器22加载并执行之后，能够实现前述任一实施例公开的卫星定位的方法的相关步骤。另外，存储器21所存储的资源还可以包括操作系统212和数据213等，存储方式可以是短暂存储或者永久存储。其中，操作系统212可以包括Windows、Unix、Linux等。数据213可以包括但不限于卫星定位的方法所涉及到的数据等等。

在一些实施例中，卫星定位的装置还可包括有显示屏23、输入输出接口24、通信接口25、电源26以及通信总线27。

领域技术人员可以理解，图6中示出的结构并不构成对卫星定位的装置的限定，可以包括比图示更多或更少的组件。

处理器22通过调用存储于存储器21中的指令以实现上述任一实施例所提供的卫星定位的方法。

对于本发明提供的一种卫星定位的装置的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述卫星定位的方法相同的有益效果。

进一步的，本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器22执行时实现如上述卫星定位的方法的步骤。

可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

对于本发明提供的一种计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述卫星定位的方法相同的有益效果。

以上对本发明所提供的一种卫星定位的方法、卫星定位的装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。