基于場(chǎng)景檢測(cè)的城市環(huán)境GNSS/INS組合定位方法研究

來(lái)奇峰，袁 洪，魏東巖, 李 濤

(1.中國(guó)科學(xué)院空天信息創(chuàng)新研究院，北京 100094； 2.中國(guó)科學(xué)院大學(xué)，北京 100864; 3. 空軍裝備部駐北京地區(qū)第二軍事代表室，北京 100074)

0 引言

目前，全球衛(wèi)星導(dǎo)航系統(tǒng)(Global Navigation Satellite System, GNSS)作為主流的室外定位解決方案，在車輛定位中發(fā)揮了重要的作用。然而，GNSS具有天然的脆弱性，在城市環(huán)境中其定位信號(hào)容易受到樓宇、高架橋及樹(shù)木等的遮擋造成定位性能下降；而在隧道等室內(nèi)環(huán)境下，由于幾乎無(wú)法收到衛(wèi)星信號(hào)，從而導(dǎo)致定位中斷。因此，單純依賴GNSS無(wú)法保證對(duì)車輛的連續(xù)、可靠定位服務(wù)[1-2]。慣性導(dǎo)航系統(tǒng)(Inertial Navigation System, INS)通過(guò)感知載體的加速度和角速度進(jìn)行位置推算，在GNSS短時(shí)失效的情況下，可輔助GNSS提供持續(xù)的位置信息，從而提高了車輛定位系統(tǒng)的連續(xù)性和可靠性。

國(guó)內(nèi)外學(xué)者在改進(jìn)GNSS/INS車輛組合定位方法方面做了大量的研究工作。主要的研究方向有：1)加強(qiáng)GNSS/INS組合深度，由最初的基于位置量的松組合到基于觀測(cè)量的緊組合[3]，再到后來(lái)由INS輔助接收機(jī)載波環(huán)路跟蹤的超緊組合(深耦合)[4]；2)改進(jìn)濾波方法，由傳統(tǒng)的線性Kalman濾波器(Kalman Filter, KF)[5]，到擅長(zhǎng)處理非線性問(wèn)題的粒子濾波(Particle Filter, PF)、無(wú)跡Kalman 濾波(Unscented Kalman Filter, UKF)[7]，再到用于提高模型準(zhǔn)確度的交互式多模型(Interacting Multiple Model, IMM)濾波器[8]等；3)動(dòng)態(tài)調(diào)節(jié)濾波器參數(shù)，主要是通過(guò)調(diào)節(jié)系統(tǒng)方差和量測(cè)方差，降低觀測(cè)量異常對(duì)組合濾波器的影響。其中第三類方法對(duì)于各種不同的組合模式和濾波方法具有普適性。文獻(xiàn)[9]提出了一種自適應(yīng)實(shí)時(shí)調(diào)整濾波器參數(shù)的方法，通過(guò)監(jiān)測(cè)濾波器中新息參數(shù)的變化來(lái)捕獲GNSS異常，進(jìn)而調(diào)整預(yù)測(cè)信息與量測(cè)信息在組合結(jié)果中的權(quán)重，降低GNSS異常對(duì)系統(tǒng)的影響，提高了組合系統(tǒng)性能。但是，該方法在權(quán)重調(diào)整的過(guò)程中，需要人為設(shè)置調(diào)整規(guī)則，如果不合理則會(huì)引起系統(tǒng)發(fā)散或者精度下降。文獻(xiàn)[10]利用高斯過(guò)程估計(jì)濾波器參數(shù)，該方法需要事先對(duì)濾波器的預(yù)測(cè)狀態(tài)和真值、量測(cè)模型與真值之間的殘差進(jìn)行高斯過(guò)程學(xué)習(xí)，實(shí)時(shí)定位過(guò)程中再利用訓(xùn)練得到的高斯過(guò)程模型預(yù)測(cè)系統(tǒng)方差和量測(cè)方差，從而實(shí)現(xiàn)了參數(shù)的實(shí)時(shí)調(diào)整。該方法實(shí)時(shí)定位時(shí)需要將訓(xùn)練數(shù)據(jù)作為高斯過(guò)程的輸入進(jìn)行實(shí)時(shí)方差估計(jì)，訓(xùn)練數(shù)據(jù)太少則無(wú)法準(zhǔn)確描述模型，而訓(xùn)練數(shù)據(jù)太多會(huì)增加計(jì)算量。文獻(xiàn)[11]提出了利用模糊邏輯對(duì)衛(wèi)星的載噪比和空間分布進(jìn)行分析，通過(guò)估計(jì)濾波器量測(cè)方差的方法來(lái)調(diào)整濾波參數(shù)。該方法直接使用了GNSS原始觀測(cè)量信息，與只用GNSS位置信息相比增加了信息量，有助于系統(tǒng)性能提升，但是該方法需要人為設(shè)置多項(xiàng)邏輯判斷的門限，實(shí)際應(yīng)用起來(lái)不是很方便，也可能會(huì)引入人為誤差。

對(duì)于上述通過(guò)調(diào)整濾波參數(shù)提高組合定位性能的方法，主要思想是降低GNSS異常對(duì)組合系統(tǒng)的影響。而GNSS定位效果很大程度與其所處的環(huán)境有關(guān)，例如在開(kāi)闊環(huán)境下GNSS定位精度高且穩(wěn)定，而高樓遮擋環(huán)境下GNSS精度下降且異常定位點(diǎn)增加。有學(xué)者提出了這種環(huán)境因素實(shí)際可以視為一種場(chǎng)景信息，而場(chǎng)景信息對(duì)于多傳感器融合定位具有重要意義[12]。文獻(xiàn)[13]提出了一種基于場(chǎng)景識(shí)別的視覺(jué)輔助全球定位系統(tǒng)(Global Positio-ning System, GPS)行人定位方法，利用樸素貝葉斯機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)了手中擺動(dòng)、閱讀、靠近耳朵等終端狀態(tài)的識(shí)別以及室內(nèi)、外環(huán)境識(shí)別。通過(guò)網(wǎng)絡(luò)本體語(yǔ)言方式，利用場(chǎng)景信息對(duì)應(yīng)選擇定位中的航向、尺度因子以及源，實(shí)現(xiàn)結(jié)果表明場(chǎng)景信息顯著提高了定位精度。文獻(xiàn)[14]提出了一種基于室內(nèi)合作場(chǎng)景智能識(shí)別的行人定位方法，通過(guò)隨機(jī)森林算法對(duì)行人在室內(nèi)平地步行、上樓梯、下樓梯等不同步態(tài)進(jìn)行訓(xùn)練與辨識(shí)，并利用場(chǎng)景對(duì)行人導(dǎo)航的結(jié)果進(jìn)行校準(zhǔn)。另有文獻(xiàn)[15]將場(chǎng)景劃分為室內(nèi)、室外、半室外，利用手機(jī)獲取GNSS、地磁、光及通信信號(hào)等各原始觀測(cè)量，通過(guò)分析原始觀測(cè)量與場(chǎng)景的關(guān)系推理得到專家知識(shí)庫(kù)用于場(chǎng)景檢測(cè)，由試驗(yàn)結(jié)果得到場(chǎng)景檢測(cè)方法與真實(shí)場(chǎng)景基本一致。文獻(xiàn)[16]也提出了一種室內(nèi)和室外場(chǎng)景檢測(cè)方法，主要通過(guò)提取衛(wèi)星幾何分布、衛(wèi)星數(shù)、幾何精度因子(Dilution of Precision, DOP)以及載噪比等特征量，結(jié)合堆棧式機(jī)器學(xué)習(xí)模型和隱馬爾可夫模型(Hidden Markov Model, HMM)進(jìn)行室內(nèi)、室外場(chǎng)景檢測(cè)，檢測(cè)率達(dá)到92%以上?，F(xiàn)有的研究成果主要集中于場(chǎng)景檢測(cè)方法及場(chǎng)景檢測(cè)輔助行人定位，而場(chǎng)景輔助車輛導(dǎo)航的文獻(xiàn)比較少見(jiàn)。

為了提高車輛組合系統(tǒng)的定位性能，本文設(shè)計(jì)了一套基于場(chǎng)景檢測(cè)的GNSS/INS組合定位策略與方案，提出了以多星GNSS觀測(cè)量的八類特征為輸入，利用支持向量機(jī)(Support Vector Machines, SVM)分類思想將定位場(chǎng)景分為室外開(kāi)闊、室外遮擋和室內(nèi)三種類型，并建立了與之相適應(yīng)的組合濾波量測(cè)誤差估計(jì)模型，進(jìn)而實(shí)現(xiàn)了GNSS單點(diǎn)定位(Single Point Positioning, SPP)與INS組合定位。該方法將場(chǎng)景信息用于濾波器量測(cè)誤差估計(jì)，與僅利用場(chǎng)景進(jìn)行定位源或者定位參數(shù)切換相比，無(wú)需定義各種切換規(guī)則，場(chǎng)景信息應(yīng)用更加靈活。另外，該方法利用GNSS誤差定義場(chǎng)景標(biāo)簽，相比以往場(chǎng)景定義，給出了場(chǎng)景與GNSS信號(hào)質(zhì)量的定量關(guān)聯(lián)性。同時(shí)，該方法將載噪比標(biāo)準(zhǔn)差均值和方位角空缺度作為場(chǎng)景特征，能夠反映出相對(duì)于室外開(kāi)闊場(chǎng)景，室外遮擋場(chǎng)景GNSS信號(hào)載噪比波動(dòng)較大且低仰角衛(wèi)星分布聚集的特點(diǎn)，有助于該兩類場(chǎng)景的正確分類。在實(shí)際應(yīng)用中，該方法可以預(yù)先利用具有一定精度水平的位置基準(zhǔn)作為參考，將車輛定位實(shí)際使用的接收機(jī)與基準(zhǔn)進(jìn)行比對(duì)，生成場(chǎng)景標(biāo)簽，用于場(chǎng)景建模訓(xùn)練。在車輛定位過(guò)程中，基于場(chǎng)景模型進(jìn)行場(chǎng)景檢測(cè)，并輔助調(diào)整濾波器參數(shù)，以提升組合定位性能。

1 室內(nèi)外場(chǎng)景檢測(cè)方法

1.1 方法描述

本文設(shè)計(jì)的場(chǎng)景檢測(cè)方法在實(shí)際應(yīng)用中分為2個(gè)階段，一是場(chǎng)景建模訓(xùn)練階段，二是場(chǎng)景預(yù)測(cè)階段。第一階段采用滿足一定精度要求的位置基準(zhǔn)，如高精度的GNSS/SINS組合系統(tǒng)，在不同的行駛環(huán)境下，對(duì)車輛定位中實(shí)際使用的GNSS接收機(jī)進(jìn)行誤差標(biāo)定，形成場(chǎng)景標(biāo)簽。利用場(chǎng)景標(biāo)簽和與GNSS相關(guān)的特征量進(jìn)行場(chǎng)景建模訓(xùn)練，如圖1所示。場(chǎng)景建模訓(xùn)練主要包含3個(gè)模塊：場(chǎng)景特征提取、場(chǎng)景標(biāo)記及模型訓(xùn)練，而GNSS原始觀測(cè)量采集及SPP解算主要是為場(chǎng)景模型訓(xùn)練提供數(shù)據(jù)支撐。

其中，場(chǎng)景特征提取模塊獲取GNSS原始觀測(cè)量，即衛(wèi)星數(shù)和載噪;以及GNSS定位解算的過(guò)程量，即位置精度因子(Position Dilution of Precision, PDOP)、衛(wèi)星方位角和仰角。通過(guò)場(chǎng)景特征提取得到三類特征量：第一類是單量，是指某一歷元時(shí)刻的衛(wèi)星數(shù)、PDOP以及載噪比均值，即對(duì)所有可視衛(wèi)星載噪比取均值；第二類是標(biāo)準(zhǔn)差，是在一定時(shí)間窗口(4s)內(nèi)統(tǒng)計(jì)衛(wèi)星數(shù)、PDOP及各可視衛(wèi)星的載噪比標(biāo)準(zhǔn)差，同時(shí)，要對(duì)所有可視衛(wèi)星的載噪比標(biāo)準(zhǔn)差取均值；第三類是幾何量，是利用可視衛(wèi)星的空間分布得到衛(wèi)星仰角均值及方位角空缺度，具體含義在1.2節(jié)介紹。

場(chǎng)景標(biāo)記的操作不是根據(jù)地理位置進(jìn)行人為打標(biāo)記，而是利用車輛定位中實(shí)際使用的GNSS接收機(jī)定位誤差大小來(lái)判斷某一歷元時(shí)刻是否為室外開(kāi)闊、室外遮擋或室內(nèi)場(chǎng)景，GNSS定位誤差由高精度基準(zhǔn)信息對(duì)GNSS定位結(jié)果進(jìn)行評(píng)估得到。

模型訓(xùn)練需要準(zhǔn)備訓(xùn)練數(shù)據(jù)集，數(shù)據(jù)集中每個(gè)樣本點(diǎn)包含場(chǎng)景特征量和場(chǎng)景標(biāo)簽。開(kāi)始訓(xùn)練前首先要對(duì)樣本特征量進(jìn)行數(shù)據(jù)缺失填補(bǔ)及數(shù)據(jù)標(biāo)準(zhǔn)化等特征預(yù)處理，保證特征的有效性。然后利用線性SVM分類器進(jìn)行場(chǎng)景模型訓(xùn)練，從而得到場(chǎng)景模型。

圖1 場(chǎng)景模型訓(xùn)練架構(gòu)Fig.1 Context model training structure

第二階段的場(chǎng)景預(yù)測(cè)是指車輛實(shí)際定位中利用GNSS接收機(jī)得到場(chǎng)景特征量，并結(jié)合第一階段的場(chǎng)景模型進(jìn)行實(shí)時(shí)場(chǎng)景檢測(cè)與分類。場(chǎng)景預(yù)測(cè)的輸入也可以稱為測(cè)試集，測(cè)試集中每個(gè)樣本點(diǎn)僅僅包含當(dāng)前時(shí)刻的場(chǎng)景特征量，場(chǎng)景模型根據(jù)樣本點(diǎn)特征量可以預(yù)測(cè)并輸出場(chǎng)景結(jié)果，具體如圖2所示。其中，場(chǎng)景特征量提取和特征預(yù)處理與第一階段場(chǎng)景模型訓(xùn)練一致。

圖2 場(chǎng)景測(cè)試架構(gòu)Fig.2 Context testing structure

1.2 場(chǎng)景標(biāo)記

1.1節(jié)提到將場(chǎng)景劃分為室內(nèi)、室外開(kāi)闊、室外遮擋三種，通常情況下，在室外開(kāi)闊場(chǎng)景中，可視衛(wèi)星情況良好，GNSS定位精度高；在室外遮擋場(chǎng)景中，部分衛(wèi)星信號(hào)被高樓、樹(shù)木等遮擋，GNSS定位性能下降，定位不連續(xù)；在室內(nèi)場(chǎng)景中，無(wú)法接收到衛(wèi)星信號(hào)進(jìn)行定位解算。本節(jié)利用GNSS單點(diǎn)定位誤差量對(duì)每個(gè)樣本點(diǎn)標(biāo)記場(chǎng)景標(biāo)簽，由于場(chǎng)景標(biāo)簽可用于前期場(chǎng)景訓(xùn)練，因此GNSS單點(diǎn)定位誤差量也可以由事先采集的高精度基準(zhǔn)數(shù)據(jù)評(píng)估得到。場(chǎng)景標(biāo)簽的規(guī)則為

(1)

圖3 在地圖中顯示室外開(kāi)闊和室外遮擋場(chǎng)景中， GNSS定位結(jié)果及其對(duì)應(yīng)時(shí)刻樣本場(chǎng)景標(biāo)簽Fig.3 GNSS positioning result and its context label at corresponding moment in open and occlusion outdoor contexts

1.3 場(chǎng)景特征提取

場(chǎng)景特征量是從GNSS原始觀測(cè)量和GNSS單點(diǎn)定位過(guò)程量中提取的，場(chǎng)景檢測(cè)的精度依據(jù)于特征量的質(zhì)量，是否能夠區(qū)分不同場(chǎng)景。本文提取的特征量如表1所示。

表1 特征量列表

接下來(lái)，具體分析特征量變化趨勢(shì)與場(chǎng)景變化的一致性，在圖3所示道路中采集GNSS原始觀測(cè)量進(jìn)行特征量分析。圖4所示為GNSS衛(wèi)星數(shù)及其標(biāo)準(zhǔn)差與場(chǎng)景之間的對(duì)應(yīng)關(guān)系，可以看出在室外開(kāi)闊場(chǎng)景中，衛(wèi)星數(shù)基本高于20顆衛(wèi)星，且衛(wèi)星數(shù)標(biāo)準(zhǔn)差相對(duì)平穩(wěn)；在室外遮擋環(huán)境中，由于信號(hào)遮擋，導(dǎo)致衛(wèi)星數(shù)下降，標(biāo)準(zhǔn)差起伏較大；室內(nèi)場(chǎng)景衛(wèi)星數(shù)為0，標(biāo)準(zhǔn)差無(wú)意義，將其預(yù)處理為負(fù)值。由此可見(jiàn)，GNSS衛(wèi)星數(shù)及其標(biāo)準(zhǔn)差特征適于區(qū)分場(chǎng)景。

圖4 GNSS衛(wèi)星數(shù)及其標(biāo)準(zhǔn)差在不同場(chǎng)景中的表現(xiàn) (淺綠色區(qū)間為室外開(kāi)闊，深綠色區(qū)間為室外遮擋，白色為室內(nèi))Fig.4 GNSS satellite number and its standard deviation in different contexts(The light green area means open outdoor, the dark green area means obstruction outdoor, and the white area means indoor)

GNSS的PDOP及其標(biāo)準(zhǔn)差和場(chǎng)景之間的對(duì)應(yīng)關(guān)系如圖5所示，可以看出在室外開(kāi)闊場(chǎng)景中，PDOP基本小于2，其標(biāo)準(zhǔn)差平穩(wěn)；在室外遮擋環(huán)境中，由于衛(wèi)星構(gòu)型變差，PDOP明顯上升，其標(biāo)準(zhǔn)差起伏較大；室內(nèi)場(chǎng)景無(wú)PDOP，為了填補(bǔ)樣本特征的缺失，對(duì)PDOP及其標(biāo)準(zhǔn)差賦予負(fù)值。同樣，GNSS的PDOP及其標(biāo)準(zhǔn)差特征適于區(qū)分場(chǎng)景。

圖5 GNSS PDOP及其標(biāo)準(zhǔn)差在不同場(chǎng)景中的表現(xiàn) (淺綠色區(qū)間為室外開(kāi)闊，深綠色區(qū)間為室外遮擋，白色為室內(nèi))Fig.5 GNSS PDOP and its standard deviation in different contexts (The light green area means open outdoor, the dark green area means obstruction outdoor, and the white area means indoor)

GNSS載噪比均值是指在單一樣本點(diǎn)時(shí)刻所有衛(wèi)星載噪比的均值。載噪比標(biāo)準(zhǔn)差均值是指當(dāng)單顆衛(wèi)星在連續(xù)4個(gè)樣本點(diǎn)時(shí)刻可視時(shí)，求解其載噪比標(biāo)準(zhǔn)差，然后對(duì)所有衛(wèi)星載噪比標(biāo)準(zhǔn)差取均值，反映了衛(wèi)星在遮擋環(huán)境下載噪比波動(dòng)。這2個(gè)特征和場(chǎng)景之間的對(duì)應(yīng)關(guān)系如圖6所示，可以看出在室外開(kāi)闊場(chǎng)景中，載噪比均值相對(duì)較低，載噪比標(biāo)準(zhǔn)差均值相對(duì)平穩(wěn)；在室外遮擋場(chǎng)景中，由于低仰角衛(wèi)星被遮擋，載噪比均值相對(duì)較高，載噪比標(biāo)準(zhǔn)差均值起伏較大；室內(nèi)場(chǎng)景無(wú)載噪比，為了補(bǔ)償樣本特征的缺失，對(duì)該2個(gè)特征賦予負(fù)值。同樣，GNSS的載噪比均值及其標(biāo)準(zhǔn)差均值特征適于區(qū)分場(chǎng)景。

圖6 GNSS載噪比均值和載噪比標(biāo)準(zhǔn)差 均值在不同場(chǎng)景中的表現(xiàn)(淺綠色區(qū)間為室外 開(kāi)闊，深綠色區(qū)間為室外遮擋，白色為室內(nèi))Fig.6 GNSS C/N means and C/N standard deviations means in different contexts(The light green area means open outdoor, the dark green area means obstruction outdoor, and the white area means indoor)

GNSS方位角空缺度是指，在單一樣本點(diǎn)時(shí)刻無(wú)可視衛(wèi)星的方位角區(qū)間范圍，如圖7所示，可以看到66號(hào)衛(wèi)星和106號(hào)衛(wèi)星之間無(wú)可視衛(wèi)星，方位角空缺度為137.5°。與PDOP考慮仰角高于10°的所有可視衛(wèi)星不同，該特征只考慮了仰角在10°～60°范圍內(nèi)的可視衛(wèi)星，原因是在室外遮擋區(qū)域，GNSS單點(diǎn)定位精度低，利用其計(jì)算的高仰角可視衛(wèi)星的方位角不是很準(zhǔn)確。方位角空缺度及俯仰角均值和場(chǎng)景之間的對(duì)應(yīng)關(guān)系如圖8所示，可以看出在室外開(kāi)闊場(chǎng)景中，最大缺失間隔基本在60°～100°左右，仰角均值在40°左右；在室外遮擋環(huán)境中，方位角空缺度向360°偏移，低仰角衛(wèi)星被遮擋，仰角均值比較高；室內(nèi)場(chǎng)景無(wú)該特征，為了補(bǔ)償樣本特征的缺失，對(duì)其賦予負(fù)值。同樣，GNSS的方位角空缺度及仰角均值特征適于區(qū)分場(chǎng)景。

圖7 方位角空缺度說(shuō)明(137.5°)Fig.7 Azimuth vacancy (137.5°)

圖8 GNSS方位角空缺度和仰角均值在不同場(chǎng)景中的表現(xiàn) (淺綠色區(qū)間為室外開(kāi)闊，深綠色區(qū)間為室外遮擋，白色為室內(nèi))Fig.8 GNSS azimuth vacancies and elevation means in different contexts (The light green area means open outdoor, the dark green area means obstruction outdoor, and the white area means indoor)

1.4 場(chǎng)景檢測(cè)

場(chǎng)景檢測(cè)實(shí)際是一個(gè)場(chǎng)景分類問(wèn)題，本文采用線性SVM分類器進(jìn)行場(chǎng)景建模和場(chǎng)景預(yù)測(cè)。該分類方法的目標(biāo)是求解能夠正確劃分訓(xùn)練樣本集且?guī)缀伍g隔最大的分離超平面。該算法的優(yōu)點(diǎn)在于：一是有嚴(yán)格的數(shù)學(xué)推導(dǎo)，分類精度一般比較高；二是SVM算法輸出的權(quán)重參數(shù)能夠反映特征重要性，以及用于特征量分析；三是由樣本到分離面的距離可以得到分類的概率，該概率值反映了場(chǎng)景分類的可信度。其原理如圖9所示。

圖9 SVM分類方法原理Fig.9 Support vector machine classification theory

假定特征空間上的訓(xùn)練樣本集為

T={(X1,y1),(X2,y2),…,(XN,yN)}

(2)

其中，Xi∈Rn，Xi為第i個(gè)樣本的場(chǎng)景特征量，n為特征維度(場(chǎng)景特征維度為8，見(jiàn)表1)；yi為標(biāo)簽，對(duì)于二分類問(wèn)題，yi∈{+1,-1};N為樣本點(diǎn)總數(shù)。場(chǎng)景建模中，ωTX+b=0為待求分離超平面。分類器的目標(biāo)函數(shù)為

(3)

求解參數(shù)ω和b使得場(chǎng)景分類間隔最大，因此，ω和b是場(chǎng)景模型的2個(gè)關(guān)鍵參數(shù)。同時(shí)，為了解決分類中的異常點(diǎn)問(wèn)題，如實(shí)際屬于室外遮擋場(chǎng)景的樣本點(diǎn)，其特征有可能與室外開(kāi)闊場(chǎng)景的樣本點(diǎn)特征更相像。在目標(biāo)函數(shù)中引入了松弛量ξi來(lái)表示樣本點(diǎn)i允許偏離所示分類區(qū)域的量。C>0是一個(gè)懲罰參數(shù)，控制目標(biāo)函數(shù)中松弛量的權(quán)重。C越大，對(duì)松弛量的懲罰越大，但是C過(guò)大容易引起過(guò)擬合。因此，懲罰參數(shù)的設(shè)置需要在場(chǎng)景建模時(shí)利用訓(xùn)練數(shù)據(jù)根據(jù)分類精度逐步調(diào)整到最優(yōu)值。場(chǎng)景預(yù)測(cè)函數(shù)為

yi=sign(ωTX+b)

(4)

SVM場(chǎng)景檢測(cè)輸出結(jié)果為yi∈{+1,-1}，但是，前面提到樣本點(diǎn)到超平面的距離還隱含了一個(gè)重要的信息：當(dāng)樣本點(diǎn)偏離了真實(shí)類的特征空間，距離超平面越來(lái)越近，那么該樣本點(diǎn)屬于真實(shí)類的可能性越小。因此，樣本點(diǎn)到超平面的函數(shù)距離實(shí)際反映了從屬于某類場(chǎng)景的概率。文獻(xiàn)[17]利用sigmoid-fitting方法，將這種函數(shù)距離映射為后驗(yàn)概率。于是，場(chǎng)景檢測(cè)的結(jié)果也可以表達(dá)為各場(chǎng)景標(biāo)簽及其對(duì)應(yīng)概率。

另外，SVM分類器主要解決二分類問(wèn)題，而本文為三種類型，即室外開(kāi)闊、室外遮擋及室內(nèi)三種場(chǎng)景。對(duì)于多分類問(wèn)題，采用兩兩分類方法，共產(chǎn)生三種分類器，室外開(kāi)闊-室外遮擋、室外遮擋-室內(nèi)及室外開(kāi)闊-室內(nèi)，分別得到3個(gè)分類結(jié)果，3個(gè)分類器中累計(jì)得分最高的一類作為最終分類結(jié)果。

2 基于場(chǎng)景檢測(cè)的車輛組合定位方法

基于場(chǎng)景檢測(cè)的GNSS/INS車輛組合定位算法設(shè)計(jì)如圖10所示，在傳統(tǒng)GNSS/INS松組合算法的基礎(chǔ)上增加了特征提取、場(chǎng)景檢測(cè)及量測(cè)噪聲估計(jì)模塊，以提高組合系統(tǒng)定位性能。其中，特征提取是指從GNSS數(shù)據(jù)中提取八類場(chǎng)景特征(具體見(jiàn)表1)。場(chǎng)景檢測(cè)是指利用訓(xùn)練得到場(chǎng)景模型進(jìn)行當(dāng)前場(chǎng)景預(yù)測(cè)。量測(cè)噪聲估計(jì)是指利用場(chǎng)景檢測(cè)結(jié)果進(jìn)行當(dāng)前時(shí)刻GNSS量測(cè)誤差估計(jì)，該值將用于實(shí)時(shí)調(diào)整組合濾波系統(tǒng)的量測(cè)方差R。

圖10 基于場(chǎng)景檢測(cè)的GNSS/INS車輛組合定位算法結(jié)構(gòu)Fig.10 Context-aware based GNSS/INS integration algorithm structure

本文車輛組合定位系統(tǒng)的狀態(tài)方程和量測(cè)方程為

Xk=φk,k-1Xk-1+Γk,k-1Wk

(5)

Zk=HkXk+Vk

(6)

Φ=

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

系統(tǒng)噪聲Wk對(duì)應(yīng)的方差為

(19)

其中，wdb1×3和web1×3為陀螺和加速度計(jì)的隨機(jī)游走;sqg1×3和sqa1×3為陀螺和加速度計(jì)的高斯馬爾可夫噪聲強(qiáng)度。量測(cè)噪聲Vk對(duì)應(yīng)的方差為Rk。

圖10中，量測(cè)噪聲估計(jì)需要場(chǎng)景結(jié)果以及GNSS定位誤差在不同場(chǎng)景中的經(jīng)驗(yàn)值。本文提到的場(chǎng)景有三類：室外開(kāi)闊、室外遮擋和室內(nèi)場(chǎng)景{context0，context1，context2}，場(chǎng)景檢測(cè)結(jié)果對(duì)每個(gè)樣本點(diǎn)都會(huì)輸出3個(gè)后驗(yàn)概率{P0，P1，P2}，分別對(duì)應(yīng)三類場(chǎng)景。假設(shè)室外開(kāi)闊特征比較明顯，P0概率較高，接近于1，而P1和P2概率較低，接近于0。根據(jù)不同場(chǎng)景中GNSS誤差統(tǒng)計(jì)結(jié)果得到經(jīng)驗(yàn)值為：室外開(kāi)闊2m；室外遮擋10m；室內(nèi)無(wú)法定位，為了便于數(shù)學(xué)處理，將其設(shè)置為100m(表示GNSS不可用狀態(tài))。GNSS的精度經(jīng)驗(yàn)值用{E0，E1，E2}表示?？紤]到三類場(chǎng)景對(duì)應(yīng)的概率分別為{P0，P1，P2}，且P0+P1+P2=1，因此量測(cè)誤差近似表達(dá)為三類場(chǎng)景對(duì)應(yīng)誤差特性的加權(quán)和

(20)

按照公式描述，假設(shè)對(duì)于某樣本點(diǎn)場(chǎng)景檢測(cè)的后驗(yàn)概率是{1.0，0，0}，說(shuō)明在室外開(kāi)闊場(chǎng)景的概率為100%，那么GNSS誤差估計(jì)結(jié)果是2m；假設(shè)后驗(yàn)概率為{0.8，0.19，0.01}，可以得到誤差估計(jì)結(jié)果是4.5m，受室外場(chǎng)景遮擋概率的影響，估計(jì)誤差變大。GNSS量測(cè)誤差估計(jì)結(jié)果可以用于調(diào)整組合濾波器中的量測(cè)方差，使得量測(cè)方差在一定程度上能夠?qū)崟r(shí)反映GNSS量測(cè)誤差的變化，量測(cè)方差表達(dá)為

Rk=

(21)

式(21)中3個(gè)量分別為緯度、經(jīng)度和高度誤差對(duì)應(yīng)的量測(cè)方差，其中，Re為地球半徑，Lan為緯度。由于組合濾波器的狀態(tài)量包含緯度和經(jīng)度誤差，且該兩項(xiàng)誤差的單位為弧度。因此，為了得到對(duì)應(yīng)的量測(cè)方差，需要將場(chǎng)景估計(jì)得到的以m為單位的經(jīng)度和緯度量測(cè)誤差除以地球半徑，轉(zhuǎn)換為弧度。

3 測(cè)試

圖11 試驗(yàn)平臺(tái)圖Fig.11 Test platform with GNSS and IMU

在圖3所示道路上采集測(cè)試數(shù)據(jù)進(jìn)行定位算法驗(yàn)證，試驗(yàn)路線如圖12所示，試驗(yàn)時(shí)間773s，黑色為行進(jìn)軌跡，星號(hào)為起點(diǎn)，圓圈為終點(diǎn)。該軌跡覆蓋了室外開(kāi)闊、室外遮擋以及室內(nèi)場(chǎng)景，如圖3所示。為了進(jìn)一步說(shuō)明場(chǎng)景的復(fù)雜性，將GNSS單點(diǎn)定位結(jié)果覆蓋在軌跡上，綠色點(diǎn)和紅色點(diǎn)均為衛(wèi)星單點(diǎn)定位結(jié)果，綠色點(diǎn)表示衛(wèi)星定位精度較高的點(diǎn)，該點(diǎn)所處區(qū)域比較開(kāi)闊；紅色點(diǎn)表示衛(wèi)星定位精度較差的點(diǎn)，該點(diǎn)所處區(qū)域高樓遮擋嚴(yán)重；在地下車庫(kù)無(wú)法收到衛(wèi)星信號(hào)，無(wú)GNSS單點(diǎn)定位結(jié)果。

圖12 試驗(yàn)路線圖Fig.12 Test trail

開(kāi)展測(cè)試之前需要準(zhǔn)備訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)與定位測(cè)試數(shù)據(jù)不是同一組數(shù)據(jù)，分2天采集，由于訓(xùn)練數(shù)據(jù)也在圖3所示道路上采集，該路段既有開(kāi)闊環(huán)境，也有典型的高樓遮擋場(chǎng)景，共生成約1807個(gè)樣本點(diǎn)，每個(gè)樣本點(diǎn)含場(chǎng)景標(biāo)簽和八項(xiàng)特征量。

在場(chǎng)景模型訓(xùn)練中，通過(guò)對(duì)不同的SVM核函數(shù)進(jìn)行分類精度分析，最終得到了線性核函數(shù)更適于解決本文的場(chǎng)景檢測(cè)問(wèn)題。另外，利用場(chǎng)景模型的特征權(quán)重參數(shù)可以分析各特征的重要性，如圖13所示，可以看出衛(wèi)星數(shù)和載噪比均值對(duì)場(chǎng)景檢測(cè)結(jié)果的貢獻(xiàn)相對(duì)較大。

圖13 場(chǎng)景特征重要性Fig.13 Feature importance in context aware

在場(chǎng)景檢測(cè)中，對(duì)測(cè)試集的場(chǎng)景預(yù)測(cè)精度為90.3%，基本能夠正確識(shí)別場(chǎng)景。為了便于直觀看到分類的效果，選取重要性高的前兩項(xiàng)特征作為橫坐標(biāo)和縱坐標(biāo)，在二維平面中顯示場(chǎng)景檢測(cè)結(jié)果，如圖14所示。各色塊表示場(chǎng)景模型，即利用模型訓(xùn)練得到的超平面對(duì)特征空間進(jìn)行劃分，其中，黃色區(qū)域表示室外開(kāi)闊場(chǎng)景，淺藍(lán)色區(qū)域表示室外遮擋場(chǎng)景，棕色區(qū)域表示室內(nèi)場(chǎng)景。各圓圈的顏色表示樣本標(biāo)簽，綠色點(diǎn)表示標(biāo)簽為室外開(kāi)闊的樣本點(diǎn)，紫色點(diǎn)表示標(biāo)簽為室外遮擋的樣本點(diǎn)，紅色點(diǎn)表示標(biāo)簽為室內(nèi)的樣本點(diǎn)。假設(shè)綠色標(biāo)簽的樣本點(diǎn)出現(xiàn)在黃色區(qū)域，則表示分類正確；出現(xiàn)在藍(lán)色區(qū)域，則表示分類錯(cuò)誤。雙層圈的點(diǎn)表示SVM。由圖14可以看到，各類別基本分類正確，室外開(kāi)闊和室外遮擋場(chǎng)景之間存在少數(shù)分類錯(cuò)誤的情況，而室內(nèi)特征分類基本無(wú)誤。雖然在室外開(kāi)闊和遮擋之間出現(xiàn)了分類錯(cuò)誤，將部分實(shí)際定位精度優(yōu)于門限的樣本點(diǎn)歸入室外遮擋場(chǎng)景，將部分實(shí)際定位精度劣于門限的樣本點(diǎn)歸入室外開(kāi)闊場(chǎng)景，但總體的比例低于10%，在一定程度上仍然確保了利用GNSS校準(zhǔn)慣性器件漂移誤差的有效性。

圖14 場(chǎng)景檢測(cè)結(jié)果Fig.14 Context aware result

場(chǎng)景分類概率如圖15所示，場(chǎng)景檢測(cè)結(jié)果為每個(gè)樣本點(diǎn)輸出分別屬于三類場(chǎng)景的概率：藍(lán)色表示屬于室外開(kāi)闊場(chǎng)景(Context0)的概率，紅色表示屬于室外遮擋場(chǎng)景(Context1)的概率，黃色表示屬于室內(nèi)場(chǎng)景(Context2)的概率，3個(gè)概率的和為1。另外，圖15中，淺綠色區(qū)間表示實(shí)際的室外開(kāi)闊場(chǎng)景，深綠色區(qū)間表示室外遮擋場(chǎng)景，白色區(qū)間表示室內(nèi)場(chǎng)景?？梢钥闯?，在室外開(kāi)闊場(chǎng)景，藍(lán)色點(diǎn)概率值較高；在室外遮擋場(chǎng)景，紅色點(diǎn)概率值較高；在室內(nèi)場(chǎng)景，黃色點(diǎn)概率基本為1，表明了分類概率能夠表達(dá)預(yù)測(cè)場(chǎng)景標(biāo)簽的可信度。

圖15 場(chǎng)景分類概率圖Fig.15 Probability of three types of contexts

利用場(chǎng)景估計(jì)的GNSS量測(cè)誤差如圖16所示，紅色點(diǎn)線是真實(shí)的GNSS量測(cè)誤差序列，利用高精度基準(zhǔn)評(píng)估得到，藍(lán)色點(diǎn)線是場(chǎng)景估計(jì)的GNSS量測(cè)誤差序列，可以看出在室外兩者趨勢(shì)基本一致，估計(jì)的量測(cè)誤差近似可以反映GNSS誤差特點(diǎn)。

圖16 GNSS真實(shí)誤差與場(chǎng)景估計(jì)量測(cè)誤差的對(duì)比Fig.16 Comparison between GNSS real error and error predicted by context aware

為了驗(yàn)證場(chǎng)景檢測(cè)在GNSS/INS組合定位中的作用，將本文基于場(chǎng)景調(diào)整量測(cè)方差的方法與未進(jìn)行方差調(diào)整的GNSS/INS松組合方法進(jìn)行比較，定位誤差如圖17所示。如表2所示，未調(diào)整方差的組合定位方法水平速度誤差為0.3m/s(67%)，水平位置誤差為11.23m(67%);而本文提出的方法水平速度誤差為0.3m/s(67%)，水平位置誤差為8.59m(67%)?？梢缘玫?利用場(chǎng)景檢測(cè)估計(jì)量測(cè)誤差并調(diào)整濾波系統(tǒng)量測(cè)方差的方法能夠明顯提升GNSS/INS組合定位性能。

(a)基于場(chǎng)景調(diào)整量測(cè)方差

(b)未調(diào)整量測(cè)方差圖17 GNSS/INS組合定位速度和位置誤差序列Fig.17 Position (Pos) and velocity (Vel) errors (ERR) of the GNSS/INS integration with and without measurement variance adjustment by context aware

表2 GNSS/INS組合方法誤差比較

4 結(jié)論

為了提升城市環(huán)境下GNSS SPP與INS組合定位性能，本文提出了一種基于場(chǎng)景檢測(cè)的GNSS/INS車輛組合定位方法，提取八類GNSS場(chǎng)景特征，利用SVM分類思想進(jìn)行室外開(kāi)闊、室外遮擋和室內(nèi)場(chǎng)景分類，并且建立與場(chǎng)景相適應(yīng)的量測(cè)誤差估計(jì)模型，進(jìn)而輔助GNSS/INS組合濾波。該方法通過(guò)分類概率將離散場(chǎng)景信息轉(zhuǎn)換為連續(xù)的GNSS量測(cè)誤差估計(jì)量，進(jìn)而調(diào)整濾波器量測(cè)方差,以提高GNSS/INS組合定位性能。同時(shí)，該方法利用當(dāng)前時(shí)刻的GNSS誤差給場(chǎng)景定義標(biāo)簽，使場(chǎng)景標(biāo)簽不再僅僅由地理位置決定，更多反映了當(dāng)前時(shí)刻GNSS信號(hào)質(zhì)量和分布特性。

本文通過(guò)采集真實(shí)數(shù)據(jù)對(duì)上述方法進(jìn)行了測(cè)試驗(yàn)證，試驗(yàn)結(jié)果可得針對(duì)773個(gè)測(cè)試樣本點(diǎn)，場(chǎng)景檢測(cè)精度為90.3%；進(jìn)一步對(duì)比了利用場(chǎng)景估計(jì)GNSS量測(cè)誤差與真實(shí)GNSS量測(cè)誤差，可以得到估計(jì)誤差與真實(shí)誤差的變化特性基本一致；最后，對(duì)比了未調(diào)整量測(cè)方差的GNSS/INS松組合算法與本文提出的基于場(chǎng)景檢測(cè)的GNSS/INS車輛組合定位算法的定位結(jié)果，可以看出加入場(chǎng)景檢測(cè)后的組合定位精度有明顯提升，驗(yàn)證了本文提出的組合定位方法的有效性。