【技术实现步骤摘要】
本专利技术涉及卫星定位，尤其是一种基于自适应噪声协方差学习及去噪的北斗定位方法。
技术介绍
1、目前，全球导航卫星系统(global navigation satellite system,gnss)定位在空旷地区已实现分米甚至厘米级的定位精度。然而，在复杂的城市地区，如“城市峡谷”和立交桥下，由于高层建筑造成的反射、衍射和阻挡等原因，产生多径效应，卫星测量的质量会严重下降，导致接收的卫星信号中产生难以建模的随机测量噪声。车辆周围环境的快速变化会进一步加剧测量噪声的复杂性和可变性。此外，由于城市地区道路的复杂性，定位系统的状态随时间、环境等因素影响也会产生难以估计的随机过程噪声。因此，在复杂的城市地区，由于随机噪声的影响，gnss定位误差在严重情况下可高达数十米。
2、现有技术大多采用基于模型的方法进行位置解算，即通过一些先验知识或大量实验调试对环境噪声程度或卫星信号测量的置信度等进行先验假设，如加权最小二乘法(weighted least squares，wls)和卡尔曼滤波(kalman filter，kf)等方法。此外，还有基于数据驱动的深度学习的定位修正方法，其在基于模型方法的定位结果的基础上，使用大量从定位环境收集的测量数据来学习对初始定位结果的修正策略，对复杂环境有一定的适应性。
3、但是，基于模型的卫星定位方法需要通过大量的实验调试进行超参数的设计和调整，其性能依赖于对环境或模型参数的先验假设，无法适应城市环境下的复杂动态变化。而基于数据驱动的定位修正算法只简单地将基于模型方法与深度学习模型
4、上述方法不能从根本上减少随机噪声产生的定位误差，最终的定位结果中仍存在随机噪声造成的误差未消除。此外，其只考虑单视角的噪声协方差作为输入观测，忽略了环境产生多径效应和车辆运动状态快速变化等因素对定位的影响，其观测特征无法有效表征动态变化环境产生的随机噪声。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于自适应噪声协方差学习及去噪的北斗定位方法，本专利技术能有效降低随机噪声对卫星定位精度的影响，并且其模型参数能根据当前环境的动态变化自适应地做出调整。
2、本专利技术的技术方案为：一种基于自适应噪声协方差学习及去噪的北斗定位方法，包括以下步骤：
3、s1)、在真实城市场景中接收卫星数据，并构建基于强化学习的自适应kf卫星定位环境；
4、s2)、构建双智能体强化学习模型；
5、s3)、对双智能体强化学习模型进行训练；
6、s4)、将训练后的双智能体强化学习模型部署到云端服务器；通过端到端的传输方式实时输出结果至卫星定位芯片终端。
7、作为优选的，步骤s1)中，所述的卫星定位环境的构建包括多视角观测空间、动作空间的构建、奖励函数的设定、以及自适应去噪卡尔曼滤波卫星定位结果的计算。
8、作为优选的，步骤s1)中，所述的多视角观测空间定义为：
9、o＝{og,oh,op,om}；
10、其中，og为卫星观测特征；oh为历史位置序列；op为过程噪声协方差矩阵；om为测量噪声协方差矩阵。
11、作为优选的，步骤s1)中，所述的动作空间定义为a＝{at,t＝0,…,t}；其中，
12、其中，和为在t时刻对过程和测量噪声协方差矩阵qt-1和rt-1的调整；和为在t时刻对过程和测量噪声的估计。
13、作为优选的，步骤s1)中，所述的奖励函数设定为校正优势误差，即：
14、
15、式中，为基线方法解算得到的基准位置；为参考的真实位置；为预测位置。
16、作为优选的，步骤s2)中，所述的双智能体强化学习模型包括两个独立的智能体；两个所述的智能体在同一个自适应kf卫星定位环境中作用并得到定位结果，并分别对过程/测量噪声以及对应的噪声协方差矩阵进行估计和调整。
17、作为优选的，步骤s2)中，所述的双智能体强化学习模型包括观测特征提取器和行动者-评价者网络。
18、作为优选的，步骤s2)中，所述的双智能体强化学习模型的总目标函数如下：
19、
20、式中，为行动者网络的目标函数；为评价者网络的目标函数；
21、并对目标函数使用随机梯度下降算法迭代更新模型的权值参数。
22、本专利技术的有益效果为：
23、1、本专利技术通过强化学习方法自适应地同时对卡尔曼滤波中的测量和过程噪声协方差矩阵参数进行调整，无需依赖于繁琐的人工设计，能有效适用于不同城市环境下的部署使用，对动态变化的环境更具有适应性；
24、2、本专利技术通过双智能体强化学习方法对产生定位误差的测量和过程噪声进行估计和去除，从而提高该定位模型对无法建模随机噪声的鲁棒性；
25、3、本专利技术构建了一个基于多视角观测的强化学习模型，引入了卫星特征和历史定位序列作为模型的观测，从而有效地对环境中的随机噪声和车辆状态的动态变化进行建模，可以更有效地反映车辆智能体的当前状态。
本文档来自技高网...【技术保护点】
1.一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤S1)中，所述的卫星定位环境的构建包括多视角观测空间、动作空间的构建、奖励函数的设定、以及自适应去噪卡尔曼滤波卫星定位结果的计算。
3.根据权利要求1所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤S1)中，所述的多视角观测空间的构建定义为：
4.根据权利要求1所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤S2)中，所述的双智能体强化学习模型包括两个独立的智能体；两个所述的智能体在同一个自适应KF卫星定位环境中作用并得到定位结果，并分别对过程/测量噪声以及对应的噪声协方差矩阵进行估计和调整。
5.根据权利要求4所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤S2)中，所述的双智能体强化学习模型包括观测特征提取器和行动者-评价者网络。
6.根据权利要求5所述的一种基于自适应噪声协方
7.根据权利要求6所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：分别为智能体πm和πp构建对应的LSTM网络模块；通过相应的LSTM网络模块得到对应的提取观测特征的潜在表示和的表达式为：
8.根据权利要求7所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：所述的双智能体强化学习模型的观测特征提取器中的参数分别为：
9.根据权利要求8所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤S3)中，所述的双智能体强化学习模型的总目标函数如下：
10.根据权利要求9所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：两个智能体对应的行动者网络参数通过最大化以下目标函数进行优化：
...【技术特征摘要】
1.一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤s1)中，所述的卫星定位环境的构建包括多视角观测空间、动作空间的构建、奖励函数的设定、以及自适应去噪卡尔曼滤波卫星定位结果的计算。
3.根据权利要求1所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤s1)中，所述的多视角观测空间的构建定义为：
4.根据权利要求1所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤s2)中，所述的双智能体强化学习模型包括两个独立的智能体；两个所述的智能体在同一个自适应kf卫星定位环境中作用并得到定位结果，并分别对过程/测量噪声以及对应的噪声协方差矩阵进行估计和调整。
5.根据权利要求4所述的一种基于自适应噪声协方差学习及去噪的北斗定位方法，其特征在于：步骤s2)中，所述的双智能体强化学习模型包括观测特征提取器和行动者-评价者网络。
6.根据权利要求5...
【专利技术属性】
技术研发人员：李珍妮，唐健浩，余青松，钟世广，谢胜利，王千明，曾昆贛，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。