CN118519179B - 一种城市复杂环境下的北斗卫星高精定位方法及系统 - Google Patents

Abstract

本发明公开了一种城市复杂环境下的北斗卫星高精定位方法及系统，该方法包括：获取测量数据；基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果；基于测量数据进行图数据建模，得到天空卫星图；基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值；结合所述初始定位结果和所述位置修正值，得到最终定位结果。该系统包括：数据获取模块、初始定位模块、卫星图构建模块、修正模块和最终定位模块。通过使用本发明，能够提高定位模型在复杂场景下的定位精度和泛化性能。本发明可广泛应用于卫星定位领域。

Description

一种城市复杂环境下的北斗卫星高精定位方法及系统

技术领域

本发明涉及卫星定位领域，尤其涉及一种城市复杂环境下的北斗卫星高精定位方法及系统。

背景技术

全球卫星导航系统（GNSS）是目前广泛应用于定位技术的主要方法之一。然而，在复杂的城市环境中，如城市峡谷和立交桥等地区，GNSS信号往往受到周围环境因素的影响，存在大量电磁干扰和多路径噪声。尽管现在智能手机等移动GNSS接收机在精度和可靠性方面已经取得了很大的进步，但由于其接收机芯片和接收天线质量都比传统主流的GNSS信号接收机更低，从而移动GNSS接收机接收的测量中异常值的数量会更多，在这种恶劣情况环境下其设备的定位精度还会进一步降低。

近年来随着机器学习的快速发展，已经有很多研究将机器学习方法应用到定位领域，旨在通过模型或者数据驱动的后处理方法得到更好的定位精度，其中基于定位数学观测模型的方法在开阔环境下定位精度较高，但在城市地区中，由于复杂电磁干扰、信号遮蔽等问题，难以通过建模消除观测误差，导致基于模型的方法存在定位偏差大以及结果不稳定的缺陷；而基于数据驱动的深度学习方法通过大量输入数据对神经网络模型进行训练，从数据中挖掘复杂随机噪声对定位的影响规律，其可以解决基于数学观测模型方法无法处理的未建模噪声问题，但其在缺少先验知识的情况下需要大量的数据做训练，在数据样本比较少的情形下，其定位精度低；同时现有的基于数据驱动的方法只考虑获取的卫星测量的数值，并没有考虑天空中不同卫星的位置分布，导致模型无法完全挖掘出不同卫星测量间隐含的空间结构关系，进而影响定位精度。

综上，目前亟需一种能够适用于复杂环境下的高精度定位方法。

发明内容

有鉴于此，为了解决现有定位方法在复杂场景下存在定位精度较低的技术问题，本发明提出一种城市复杂环境下的北斗卫星高精定位方法，所述方法包括以下步骤：

获取测量数据；

基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果；

基于所述测量数据进行图数据建模，得到天空卫星图；

基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值；

结合所述初始定位结果和所述位置修正值，得到最终定位结果。

其中，测量数据包括原始测量伪距、卫星位置和速度、多普勒频偏，码相位、载波相位等。

在一些实施例中，还包括：

对测量数据进行筛选。

通过该优选步骤，可以得到信号质量较好的数据，减少计算量，提高定位效率。

在一些实施例中，所述基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果这一步骤，其具体包括：

基于动力学模型进行下一时刻的预测，得到预测位置；

基于所述预测位置构建均方误差矩阵；

获取实际测量值；

基于所述均方误差矩阵和所述实际测量值，利用卡尔曼滤波器调整所述预测位置。

其中，卡尔曼滤波（Kalman Filtering）属于一种线性最小方差估计方法，一般适用于非平稳过程，其采用递推原理，可以从测量信息中实时的提取出被估计量信息并积存在估计值中。

在一些实施例中，所述图数据建模，具体包括：

对于接收机某一时刻接收到的不同星座的卫星测量数据，提出一个天空卫星图；

将每一颗卫星位置作为图中的节点，再将预选的数据特征进行拼接，作为所述天空卫星图的节点特征；

基于余弦相似度的边构造方法，构建描述图空间结构信息的邻接矩阵，作为所述天空卫星图的边。

其中，所述预选的数据特征包括伪距残差、载波信噪比和单位化的LOS向量（Line-of-Sight vector）。

在一些实施例中，所述基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值这一步骤，其具体包括：

基于所述天空卫星图的邻接矩阵进行拉普拉斯位置编码；

将所述拉普拉斯位置编码与所述天空卫星图的节点特征融合；

基于图结构感知模块对所述天空卫星图进行图局部结构学习，得到更新后的节点特征；

基于所述更新后的节点特征之间的关系，Transformer图特征提取模块输出位置修正值。

通过该优选步骤，在Transformer的基础上加入能表达图结构信息的拉普拉斯位置编码和能学习到图的局部表示的基于GNN模型的结构感知模块以最大程度上使模型学习到输入图的节点特征信息和节点间的结构信息，以此从构建的天空卫星图中学习相关特征。

在一些实施例中，所述基于所述更新后的节点特征之间的关系，Transformer图特征提取模块输出位置修正值这一步骤，其具体包括：

基于多头注意力机制层从多角度学习所述更新后的节点特征之间的关系，得到多头注意力的输出结果；

将所述多头注意力的输出结果依次经过残差连接、归一化层和中间前馈网络，得到Transformer单元的输出；

将Transformer单元的输出进行堆叠并依次经过全局池化和全连接层，输出位置修正值。

通过该优选步骤，利用Transformer图特征提取模块中的Attention单元来关注空域卫星图节点之间的潜在表征。

在一些实施例中，还包括：

对所述具有图结构感知模块的Transformer模型进行预训练。

通过该优选步骤，对模型进行训练，当迭代轮次达到设定的最大值时完成训练过程并保存模型，该模型用于输出位置修正值。

本发明还提出了一种城市复杂环境下的北斗卫星高精定位系统，所述系统包括：

数据获取模块，用于获取测量数据；

初始定位模块，基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果；

卫星图构建模块，基于所述测量数据进行图数据建模，得到天空卫星图；

修正模块，基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值；

最终定位模块，用于结合所述初始定位结果和所述位置修正值，得到最终定位结果。

基于上述方案，本发明提供了一种城市复杂环境下的北斗卫星高精定位方法及系统，将卡尔曼滤波和基于数据驱动的卫星图结构学习相结合，通过卡尔曼滤波解算得到初始定位坐标，再通过将接收机接收的不同卫星作为拓扑图中的不同节点，参考不同卫星测量向量之间的余弦相似度差异构建边，得到节点间结构性强的天空卫星图，然后利用加入的位置编码将不同卫星节点间的空间结构关系融入节点特征的卫星测量中，最后将具有图结构感知能力的Transformer模型应用于构建的天空卫星图，充分考虑卫星测量和图中不同卫星的空间位置相关性，得到更能表达卫星测量数据和空间位置关系的卫星图表示，以指导后续池化层和全连接层输出位置修正，基于该位置修正进行后续的高精度定位，能够提高定位模型在复杂场景下的定位精度和泛化性能。

附图说明

图1是本发明一种城市复杂环境下的北斗卫星高精定位方法的步骤流程图；

图2是本发明具体实施例图结构感知模块的Transformer模型的结构示意图；

图3是本发明一种城市复杂环境下的北斗卫星高精定位系统的结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

应当理解，本申请中使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换该词语。

除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

在本申请实施例的描述中，“多个”是指两个或多于两个。以下术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

另外，本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

参照图1，为本发明提出的城市复杂环境下的北斗卫星高精定位方法的一可选示例的流程示意图，该方法可以适用于计算机设备，本实施例提出的该定位方法可以包括但并不局限于以下步骤：

步骤S1、获取测量数据；

其中，本发明设计基于对智能手机接收到的GNSS信号进行位置预测，需要先采集所需要的测量数据，首先对于卡尔曼滤波初步定位模块由于需要采用线性化伪距定位方程作测量方程组，因此主要采集原始测量伪距、卫星位置和速度、多普勒频偏，码相位、载波相位等；而对于学习模块，搜集的特征为伪距残差（Pseudorange Residuals）、载波信噪比、和卫星到接收机的LOS向量；其中伪距残差是指实际测量得到的伪距值与预期值之间的差异可以反映测量或者定位估计中的潜在误差，载噪比反映了接收到信号的质量，可以给学习模块一个可以衡量信号可靠性的指标，LOS向量是指从接收机到卫星的单位方向向量，其中包含了卫星的高度角、方位角等信息；

此外，在只采用GPS和伽利略定位系统卫星测量基础上，加入了精度更高的北斗2号、3号系统的卫星测量值。

步骤S2、基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果；

步骤S3、基于所述测量数据进行图数据建模，得到天空卫星图；

步骤S4、基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值；

步骤S5、结合所述初始定位结果和所述位置修正值，得到最终定位结果。

在一些可行的实施例中，所述步骤S1，还包括：

对测量数据进行归一化处理。

具体地，对于不同特征之间可能存在的较大数值差异，因此需要对一些数据作归一化或单位化处理；

LOS向量由于数值过大需要作归一化处理，具体公式为：

其中，x、y和z分别是LOS向量在地心地固（Earth-Centered, Earth-Fixed，ECEF）坐标系下对应坐标轴的分量。

此外，本实施例针对不同地点或历元的卫星测量中存在的伪距残差数值差异很大的问题，提出对每个图内的所有节点特征中的伪距残差作图内归一化，将所有输入学习网络的伪距残差值稳定在0-1之间，借此来提高模型训练的稳定性。

在一些可行的实施例中，所述步骤S1，还包括：

对测量数据进行筛选。

具体地，在定位之前还可以对卫星数据进行筛选，具体通过载波频率误差、仰角和信噪比和多路径效应的值进行筛选，得到信号质量较好的数据。

在一些可行的实施中，所述步骤S2，其具体包括：

在步骤S2中，本发明即采用卡尔曼滤波方法对卫星测量数据进行解算得到初步定位结果；其计算过程涉及到其中的状态方程和测量方程。

S2.1、基于动力学模型进行下一时刻的预测，得到预测位置；

在定位任务中，卡尔曼滤波对数据进行迭代解算，具体可以分为预测阶段和更新阶段，其中预测阶段公式包括：

其中，表示k时刻预测位置，表示k时刻的状态转移矩阵，表示k-1时刻的位置，表示k时刻的控制变量矩阵，表示k时刻的状态控制向量，表示均方误差矩阵，表示的协方差，表示的转置，Z表示系统噪声协方差矩阵。

S2.2、计算所述预测位置和真实位置之间的均方误差矩阵；

使用系统的动力学模型（如接收机的伪距线性化定位方程组）通过预测下一时刻的位置，然后再计算预测位置和真实位置之间的均方误差矩阵 ，用以表示预测位置的不确定性在接收到实际测量值。

S2.3、获取实际测量值；

S2.4、基于所述均方误差矩阵和所述实际测量值，利用卡尔曼滤波器调整所述预测位置。

在接收到实际测量值后，便可使用卡尔曼滤波器的更新步骤来调整预测的位置：

其中，表示卡尔曼增益，表示更新的均方误差矩阵，表示状态向量到测量向量的转换矩阵，表示的转置，R表示测量噪声协方差矩阵，表示状态向量，表示实际测量值。首先更新卡尔曼增益，这里选取卡尔曼增益作为增益矩阵，是因为卡尔曼增益可以使得均方误差矩阵达到最小。卡尔曼增益的作用是权衡预测值和测量值，其大小取决于预测误差协方差和测量噪声协方差的相对大小。接着使用卡尔曼增益调整预测值，可以看出卡尔曼增益越大，测量值对最终估计值的影响越大。最后使用卡尔曼增益计算新的均方误差矩阵。

在一些可行的实施例中，所述步骤S3中的图数据建模，其具体包括：

（1）对于接收机某一时刻接收到的不同星座的卫星测量数据（包括GPS、伽利略系统和俄罗斯的格洛纳斯系统及其对应的不同频率），提出一个天空卫星图；将每一颗卫星位置作为图中的节点，再将预选的数据特征进行拼接，作为所述天空卫星图的节点特征；

其中，预选的数据特征包括伪距残差（Pseudorange Residuals，PR）、载波信噪比（C/N0）、和单位化的LOS向量。图中所有节点特征的集合作为图的第一个输入，节点特征矩阵，其中，表示矩阵的维度为N×D，N为某一位置接收机接收到信号的卫星个数，D为每一个卫星节点特征的维度，在这里D=5。

（2）基于余弦相似度的边构造方法，构建描述图空间结构信息的邻接矩阵，作为所述天空卫星图的边。

对于每一个图还需要构建描述图空间结构信息的邻接矩阵，邻接矩阵定义方法为：基于余弦相似度的边构造方法，其不考虑卫星图中卫星节点的星座归属，只考虑节点卫星向量之间在方向上的相似程度，而不考虑具体特征的大小；具体为当从卫星测量数据构建图时，对于不同位置的卫星由于多种因素如大气干扰、多路径效应或卫星钟差，信号强度可能会有较大的差异，但是通过余弦相似度可以捕获卫星测量中固有的方向性，而不用考虑测量本身的规模影响。其计算方式如下：

其中，和为不同的卫星测量向量，其结构为。

此外，基于（1）和（2）选定的卫星图节点特征和边的构造方法，利用Pytorch中带有的图数据处理库（PyTorch Geometric）来构建模型输入的图数据data和对应的数据集。

在GNSS定位任务中，不同的卫星能见度随测量位置和时间会发生变化，因此对于同一地点收集到的包含不同卫星数量和顺序的测量值输入学习网络应该要得到相同的输出，但一般的神经网络只能学习等长同序的输入特征；因此本发明中对于某台接收机，将其接收到的卫星信号构建图数据，然后使用图结构处理神经网络进行特征提取，图构建方法如上。

在一些可行的实施例中，所述步骤S4，其具体包括：

S4.1、基于所述天空卫星图的邻接矩阵进行拉普拉斯位置编码；

S4.2、将所述拉普拉斯位置编码与所述天空卫星图的节点特征融合；

拉普拉斯位置编码：对于构建的天空卫星图，主要使用节点特征矩阵和邻接矩阵，这里采用邻接矩阵和度矩阵得到拉普拉斯矩阵，再对其进行谱分解得到特征值和特征向量的表达形式，最后根据需要的位置编码维度选择对应个数的特征值和特征向量组合起来，得到对应的位置编码。然后将节点特征和对应的拉普拉斯位置编码作线性拓展后相加作为Transformer块的输入，具体如下：

其中是图中第i个节点特征，表示维度拓展之后的节点特征，中是图中第i个节点特征对应的拉普拉斯位置编码，是维度拓展之后的位置编码，为Transformer第一层的输入，位置编码只会加在第一层的输入特征上，此外、、、均为待训练参数。

S4.3、基于图结构感知模块对所述天空卫星图进行图局部结构学习，得到更新后的节点特征；

具体地，为了给予Attention块更具有图结构表达能力的注意力分数，本部分采用基于子图提取和基于GNN的子图学习来对用于计算注意力分数的图节点特征进行学习，以使其更具有局部结构表达能力，具体流程和解释如下：

对于图结构感知模块输入的图，这里对于图中每一个节点，将其作为中心节点，采用2-hop采样（即从中心节点2步能到达的节点）提取出每个中心节点对应的子图，再使用归纳图学习GNN模型GraphSAGE来对提取出的子图根据其节点聚合策略进行图学习得到子图的图表示，再将其经过图池化得到的结果作为更新的中心节点表示。

其中，GraphSAGE是一种采用归纳学习的图神经网络模型，其对于输入图的处理分为三个步骤：先对节点的邻域进行采样得到用于聚合的邻域节点；再从邻域节点中聚合特征信息；最后更新图的节点表示。作为归纳学习模型，GraphSAGE优点在其侧重于学习数据中的潜在模式；训练完成之后对于从未见过的图或节点特征也有比较好的处理效果。

S4.4、基于所述更新后的节点特征之间的关系，Transformer图特征提取模块输出位置修正值。

基于步骤S4.1-S4.3对输入图加入拉普拉斯位置编码和图局部结构学习的处理，此时的节点特征中已经包含了有关输入图的结构信息，在步骤S4.4采用Transformer图特征提取模块中的Attention块来关注空域卫星图节点之间的潜在表征。

本发明在Transformer的基础上加入能表达图结构信息的拉普拉斯位置编码和能学习到图的局部表示的基于GNN模型的结构感知模块以最大程度上使模型学习到输入图的节点特征信息和节点间的结构信息，此外，该具有图结构感知模块的Transformer模型的结构和数据流向参照图2。

在一些可行的实施例中，所述S4.4，其具体包括：

S4.4.1、基于多头注意力机制层从多角度学习所述更新后的节点特征之间的关系，得到多头注意力的输出结果；

输入的节点特征在经过前面处理之后将其输入到多头注意力机制层中，多头注意力机制层是在自注意力机制层上建立起来的，自注意力机制的公式为：

其中，，，，X是构建的天空卫星图的节点特征矩阵，表示经过图结构感知模块处理之后的节点特征矩阵，、和表示对应矩阵的权重，Q，K，V分别为X在不同方向上的投影，将Q和K作内积得到对应的关联分数矩阵，结果与V作内积即可得到图节点之间的注意力图，其中是缩放因子，用于在输入特征矩阵长度很大时对Q和K的内积进行放缩处理以平滑网络输出得到更合适的注意力分数矩阵。

另外为了从多个角度去注意输入节点特征之间的关系，将多个自注意力机制网络联合起来构成一个多头注意力层。其中自注意力层数为h，设Q，K，V序列长度为m，则在计算前先将数据投影到m/h维的低维空间，再对各个头进行处理最后将处理结果重新拼接起来通过一个线性层得到多头注意力的输出结果。

S4.4.2、将所述多头注意力的输出结果依次经过残差连接、归一化层和中间前馈网络，得到Transformer单元的输出；

在残差连接部分本发明还考虑了节点度的影响，这样可以避免在计算过程中图节点高度连接的部分对节点特征产生过度影响，从而使网络更平衡地考虑所有的节点和连接；然后经过两个归一化层和中间前馈网络层（FFN，包含两个全连接层和中间激活函数层）得到Transformer层的输出。

S4.4.3、将Transformer单元的输出进行堆叠并依次经过全局池化和全连接层，输出位置修正值。

最后将多个结构感知的Transformer单元堆叠在一起，然后经过全局池化和全连接层得到最终的位置修正，其中全局池化用于将输出的图节点表示聚合为图表示以便全连接层可以将输入的图转化为3维的位置修正坐标。

在一些可行的实施例中，还包括：

对所述具有图结构感知模块的Transformer模型进行预训练。

具体地，前面的实施例中介绍了GNSS高精度定位修正模型，即本发明的具有图结构感知模块的Transformer模型，基于此，用梯度下降算法进行训练，其具体训练步骤包括：

本发明的目的是利用从接收机接收到的多星座卫星信号特征信息和天空卫星图中不同卫星点之间的位置信息来对卡尔曼滤波的初步定位结果进行定位位置修正，因此模型的输出标签为三维的位置修正结果，模型的输入为构建的图数据data。

根据构建的图结构感知Transformer模型，其中需要确定的超参数有：拉普拉斯位置编码的维度、子图提取模块中子图提取的步长和GraphSAGE模型聚合子图时的步长、Transformer模块的层数和对应的多头注意力模块个数、各全连接时间网络层数和隐藏层的神经元个数。

本实验采用Adam优化器，该优化器具有自适应学习率的特性。Adam优化器利用梯度的一阶矩估计和二阶矩估计来动态调整每个参数的学习率。通过偏置校正，确保每次迭代的学习率在一个确定的范围内，从而使参数更新相对平稳。

本发明属于回归任务，采用的损失函数为均方误差MSE，用于判断模型的预测输出与真实值之间的相似程度，其计算公式如下：

在（7）式中，表示模型预测值，Y表示真实值，num为批次中的样本数，C表示每个样本的输出维度，i和j为遍历数据所用的索引；其模型输出的预测值与真实值越接近，Loss就越趋近于0，训练效果就越好。

设定模型的训练总轮次M，在训练过程中采用反向传播（BP）以更新模型的权值和偏置，更新公式如下：

其中，表示第n+1轮次的权重，表示第n轮次的权重，表示第n+1轮次的偏置，表示第n轮次的偏置，表示学习率，表示损失函数对模型参数的梯度。

基于以上步骤，利用初步定位预测值和真值之间的误差做标签有监督地对模型进行训练，当迭代轮次达到设定的最大值时完成训练过程并保存模型，然后在不同的测试集上都取得好的结果之后即可配合定位芯片进行使用。

基于上述方案可知，本发明的高精度定位方法能够适用于复杂环境，具体理由如下：

1、考虑到环境变化导致的接收机在不同位置和时间接收到的卫星测量中卫星数量和顺序不一定相同，本发明对接收机在一时刻接收到的不同数量的多星座卫星测量进行天空卫星图建模，同时考虑到不同卫星测量的质量影响，在图的节点特征中加入表达卫星测量可靠性的载噪比；同时在构建图的过程中采用基于余弦相似度的节点间边的构造方法，在加强节点间联系的同时降低图中边的数量，以此得到更稀疏的图以降低结构感知学习时模型的计算量。

2、在输入Transformer之前通过为节点特征添加拉普拉斯位置编码来将构建的图拓扑结构信息融入节点特征中，使模型能够更好地感知卫星节点在图中的位置，捕捉节点之间的相互关系和依赖关系。

3、提出了将图结构进行感知学习的Transformer网络，结合GNN模型和Transformer模型消息传递的优点来提取输入图的表示，为节点加入拉普拉斯位置编码之后先利用GNN的临近节点聚合能力学习到卫星图中节点的局部结构表示，并将其整合到原始注意力中，再通过注意力机制的全局学习能力得到同时具有局部特征和全局特征的图表示。

综上，在本发明中，对于图数据的构建：在卫星图节点中添加了载波信噪比作为节点特征，加强了卫星节点的表达能力；在构建边时采用基于余弦相似度的方法，不拘泥于卫星测量数值，从卫星测量矢量的角度出发捕获测量中固有的方向性而不会受到测量本身的影响，这样不但使构建的图中节点的关联性更强，也使构建的图更稀疏，模型计算更快。在模型上采用具有图结构感知能力的Transformer对输入图进行处理，通过加入拉普拉斯位置编码和计算注意力分数前的图结构提取器使得Transformer层能够更全面的同时学习输入图的局部特征和全局特征以得到更好的图表示，相比于直接利用GNN网络进行处理的方法，具有图结构感知的Transformer模型对天空卫星图的表达能力更强，能够更好地处理复杂多变环境下从未见过的数据，泛化性更好。

如图3所示，一种城市复杂环境下的北斗卫星高精定位系统，包括：

数据获取模块，用于获取测量数据；

初始定位模块，基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果；

卫星图构建模块，基于所述测量数据进行图数据建模，得到天空卫星图；

修正模块，基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值；

最终定位模块，用于结合所述初始定位结果和所述位置修正值，得到最终定位结果。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种城市复杂环境下的北斗卫星高精定位装置：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种城市复杂环境下的北斗卫星高精定位方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现如上所述一种城市复杂环境下的北斗卫星高精定位方法。

上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种城市复杂环境下的北斗卫星高精定位方法，其特征在于，包括以下步骤：

获取测量数据；

基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果；

基于所述测量数据进行图数据建模，得到天空卫星图；

基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值；

结合所述初始定位结果和所述位置修正值，得到最终定位结果；

所述图数据建模，具体包括：

对于接收机某一时刻接收到的不同星座的卫星测量数据，提出一个天空卫星图；

将每一颗卫星位置作为图中的节点，再将预选的数据特征进行拼接，作为所述天空卫星图的节点特征；

基于余弦相似度的边构造方法，构建描述图空间结构信息的邻接矩阵，作为所述天空卫星图的边。

2.根据权利要求1所述一种城市复杂环境下的北斗卫星高精定位方法，其特征在于，还包括：

对测量数据进行筛选。

3.根据权利要求1所述一种城市复杂环境下的北斗卫星高精定位方法，其特征在于，所述基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果这一步骤，其具体包括：

基于动力学模型进行下一时刻的预测，得到预测位置；

基于所述预测位置构建均方误差矩阵；

获取实际测量值；

基于所述均方误差矩阵和所述实际测量值，利用卡尔曼滤波器调整所述预测位置，得到初始定位结果。

4.根据权利要求1所述一种城市复杂环境下的北斗卫星高精定位方法，其特征在于，所述预选的数据特征包括伪距残差、载波信噪比和单位化的LOS向量。

5.根据权利要求1所述一种城市复杂环境下的北斗卫星高精定位方法，其特征在于，所述基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值这一步骤，其具体包括：

基于所述天空卫星图的邻接矩阵进行拉普拉斯位置编码；

将所述拉普拉斯位置编码与所述天空卫星图的节点特征融合；

基于图结构感知模块对所述天空卫星图进行图局部结构学习，得到更新后的节点特征；

基于所述更新后的节点特征之间的关系，Transformer图特征提取模块输出位置修正值。

6.根据权利要求5所述一种城市复杂环境下的北斗卫星高精定位方法，其特征在于，所述基于所述更新后的节点特征之间的关系，Transformer图特征提取模块输出位置修正值这一步骤，其具体包括：

基于多头注意力机制层从多角度学习所述更新后的节点特征之间的关系，得到多头注意力的输出结果；

将所述多头注意力的输出结果依次经过残差连接、归一化层和中间前馈网络，得到Transformer单元的输出；

将Transformer单元的输出进行堆叠并依次经过全局池化和全连接层，输出位置修正值。

7.根据权利要求5所述一种城市复杂环境下的北斗卫星高精定位方法，其特征在于，还包括：

对所述具有图结构感知模块的Transformer模型进行预训练。

8.一种城市复杂环境下的北斗卫星高精定位系统，其特征在于，包括：

数据获取模块，用于获取测量数据；

初始定位模块，基于卡尔曼滤波对所述测量数据进行解算处理，预测得到初始定位结果；

卫星图构建模块，基于所述测量数据进行图数据建模，得到天空卫星图；

所述图数据建模，具体包括：对于接收机某一时刻接收到的不同星座的卫星测量数据，提出一个天空卫星图；将每一颗卫星位置作为图中的节点，再将预选的数据特征进行拼接，作为所述天空卫星图的节点特征；基于余弦相似度的边构造方法，构建描述图空间结构信息的邻接矩阵，作为所述天空卫星图的边；

修正模块，基于具有图结构感知模块的Transformer模型对所述天空卫星图进行特征提取处理，并输出位置修正值；

最终定位模块，用于结合所述初始定位结果和所述位置修正值，得到最终定位结果。