來源：投稿 作者：小灰灰
編輯：學(xué)姐

論文標(biāo)題：GNSS Multipath Detection Using a Machine Learning Approach

論文鏈接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8317700

摘要

在高度城市化地區(qū)實(shí)施先進(jìn)智能交通系統(tǒng)的挑戰(zhàn)之一是全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）接收機(jī)定位精度不足。多徑Multipath和非視線（NLOS）效應(yīng)嚴(yán)重惡化了GNSS定位性能。本文旨在通過有監(jiān)督機(jī)器學(xué)習(xí)訓(xùn)練分類器，將GNSS偽距測量分為三類：clean, multipath and NLOS。從全球?qū)Ш叫l(wèi)星系統(tǒng)原始數(shù)據(jù)中獲得或計(jì)算出的若干特征進(jìn)行了評(píng)估。本文還提出了一種新的特征來表示偽距測量值和多普勒頻移測量值之間的一致性。根據(jù)實(shí)驗(yàn)結(jié)果，使用由所提出的特征和接收信號(hào)強(qiáng)度訓(xùn)練的支持向量機(jī)（SVM）分類器可以達(dá)到約75%的分類精度。

介紹

智能出行是智能城市發(fā)展的六大組成部分之一。全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）本地化對于不同應(yīng)用的智能移動(dòng)性至關(guān)重要，包括行人和車輛導(dǎo)航、車隊(duì)管理、道路交通監(jiān)控和分析、道路用戶收費(fèi)、非正常駕駛檢測等。本文主要研究自動(dòng)駕駛應(yīng)用中的車輛和行人定位。

隨著行人對車輛（P2V）和車輛對車輛（V2V）通信的成熟和普及，行人和自動(dòng)車輛之間的碰撞避免可能在未來實(shí)現(xiàn)。當(dāng)前智能避碰的瓶頸之一是行人和車輛的定位精度。一般來說，GNSS接收機(jī)是向載波提供絕對定位信息的最常用設(shè)備/芯片。目前，在高速公路、高速公路、郊區(qū)和農(nóng)村等衛(wèi)星觀測條件較好的地區(qū)，全球?qū)Ш叫l(wèi)星系統(tǒng)的定位性能非常令人滿意。其在城市地區(qū)的定位表現(xiàn)則是另一回事。密集建筑環(huán)境中臭名昭著的多徑效應(yīng)正在顯著降低GNSS定位精度。多徑效應(yīng)來源于高層建筑和摩天大樓對衛(wèi)星信號(hào)的反射和衍射。它很容易將全球?qū)Ш叫l(wèi)星系統(tǒng)的精度降低到幾十米。與多徑效應(yīng)相比，更具破壞性的現(xiàn)象是非視線（NLOS）接收。多徑和nlos之間的差異可以如圖1所示。多徑包含視線（LOS）和反射信號(hào)，而非直視僅包含后者。

使用復(fù)雜的接收機(jī)相關(guān)器設(shè)計(jì)可以大致減輕多徑效應(yīng)。相關(guān)器設(shè)計(jì)的原則是比較代碼跟蹤環(huán)路中的早期、提示和晚期信道。換句話說，它將直接信號(hào)與反射信號(hào)進(jìn)行比較。不幸的是，由于nlos系統(tǒng)只包含反射信號(hào)，因此這種設(shè)計(jì)根本不能減輕nlos的影響。因此，關(guān)注非nlos探測和緩解的研究正在增加。nlos探測方法可分為天線、高級(jí)接收機(jī)算法、傳感器集成、3D建模和機(jī)器學(xué)習(xí)。后兩種方法的細(xì)節(jié)將在下一節(jié)中討論。

本文旨在開發(fā)一種基于機(jī)器學(xué)習(xí)算法的視距、多徑、非視距分類器。成功的機(jī)器學(xué)習(xí)的關(guān)鍵是識(shí)別重要特征。因此，對從全球?qū)Ш叫l(wèi)星系統(tǒng)原始數(shù)據(jù)獲得或計(jì)算的幾個(gè)變量進(jìn)行了評(píng)估。原始數(shù)據(jù)表示偽距、載波噪聲比、多普勒頻移和載波相位測量值，這些測量值可以作為RINEX格式存檔[16]。根據(jù)谷歌最近發(fā)布的公告，所有配備Android Nougat OS的新智能手機(jī)都可以支持上述測量結(jié)果的輸出。也就是說，可以假設(shè)從GNSS原始數(shù)據(jù)中提取的潛在特征能夠從大多數(shù)新的GNSS設(shè)備中獲得。

本文的貢獻(xiàn)點(diǎn)：

本文的新穎之處不僅在于對clean and biased measurements 進(jìn)行分類，還在于進(jìn)一步區(qū)分distinguish multipath and NLOS 。

相關(guān)理論

• A：GNSS with 3D buildings

由于智能城市的興起，3D城市模型得到了迅速發(fā)展，并廣泛應(yīng)用。最近處理多徑和非視 距的研究方向是利用3D映射，稱為3D映射輔助（3DMA）定位方法。最著名的3DMA方法之一是陰影匹配。它利用建筑物邊界，從三維城市模型預(yù)測衛(wèi)星能見度。研究人員還專注于使用增強(qiáng)的3D數(shù)字地圖提高GNSS定位精度。在過去幾年中，人們提出使用非視距信號(hào)，而不是減輕或排除非直瞄的影響。研究人員建議將光線跟蹤模擬與基于假設(shè)的定位方法相結(jié)合，以進(jìn)一步提高定位精度。這些基于距離的3DMA使用光線跟蹤技術(shù)來估計(jì)NLOS信號(hào)的反射路徑。然后，該路線用于校正偏差偽距測量的非直瞄延遲，最后將行人應(yīng)用的定位精度進(jìn)一步提高至約5米[25]。然而，基于距離的方法由于光線跟蹤造成的計(jì)算量大以及無法實(shí)時(shí)訪問三維建筑模型，因此不容易適應(yīng)低成本接收機(jī)。本文將在離線階段使用光線跟蹤模擬和三維建模，將測量標(biāo)記為視線、多徑和非視距。

• B：GNSS using machine learning

使用機(jī)器學(xué)習(xí)促進(jìn)全球?qū)Ш叫l(wèi)星系統(tǒng)本地化的討論始于2013年。第一個(gè)想法是根據(jù)衛(wèi)星數(shù)量、精度稀釋（DOP）、接收信號(hào)強(qiáng)度和接收器速度的組合，將定位精度劃分為三個(gè)精度帶。提出了一種基于偽距殘差的Wilcoxon范數(shù)回歸器來檢測有偏偽距測量。研究人員還選擇仰角和方位角作為機(jī)器學(xué)習(xí)的關(guān)鍵特征，以緩解靜態(tài)應(yīng)用的多徑效應(yīng)。從接收機(jī)信號(hào)處理階段的相關(guān)器中提取變量，對GNSS接收機(jī)的六種典型場景進(jìn)行分類。2016年，機(jī)器學(xué)習(xí)檢測非視距的想法也在NAV2Nav應(yīng)用程序中實(shí)現(xiàn)，這被稱為車輛協(xié)同導(dǎo)航。決策樹方法用于根據(jù)接收機(jī)信號(hào)強(qiáng)度和仰角對LOS和NLOS進(jìn)行分類。在本文中，我們研究了相關(guān)工作中使用的幾個(gè)特性。此外，在支持向量機(jī)（SVM）訓(xùn)練的分類器中，多普勒頻移的測量值也被用作關(guān)鍵特征。

GNSS數(shù)據(jù)收集和標(biāo)記

為了記錄大量的多徑和非視距數(shù)據(jù)，我們在香港的Hung Hom,密集建筑區(qū)進(jìn)行了靜態(tài)實(shí)驗(yàn)。圖2顯示了收集數(shù)據(jù)的環(huán)境。天線裝有一根棍子，放在窗外，用于長時(shí)間的數(shù)據(jù)采集。商用全球?qū)Ш叫l(wèi)星系統(tǒng)接收器u-blox M8部署用于收集多徑和非視距數(shù)據(jù)。收集24小時(shí)有偏差的GNSS原始測量值。在這個(gè)數(shù)據(jù)集中，幾乎所有的測量都受到附近建筑物的影響。換句話說，這個(gè)城市數(shù)據(jù)集只包含多路徑和非視距測量。

由于隱式信號(hào)傳輸，從城市數(shù)據(jù)中標(biāo)記多徑和非視距信號(hào)具有挑戰(zhàn)性。我們的想法是實(shí)現(xiàn)光線跟蹤模擬，以識(shí)別信號(hào)傳輸類型。GNSS中光線跟蹤的原理是使用已知的衛(wèi)星、反射器和接收器幾何體來跟蹤直射和反射路徑。GNSS多徑模擬中光線跟蹤。衛(wèi)星位置可以通過廣播星歷表來估計(jì)。從三維建筑模型中搜索反射器。我們通過參考Google Earth中的3D模型，手動(dòng)構(gòu)建地區(qū)的基本3D建筑模型，如圖3所示。

在標(biāo)記階段，在實(shí)驗(yàn)中靜態(tài)設(shè)置接收器，以便容易確定接收器位置的地面真相。地面實(shí)況由香港政府土地部門提供的地形圖給出。這張地圖的分辨率是20厘米。每個(gè)點(diǎn)都有精確的二維坐標(biāo)。高度由從谷歌獲得的地形高度加上設(shè)備高度得出。一旦知道衛(wèi)星、反射器和接收器的位置，就可以進(jìn)行光線跟蹤模擬。

圖4顯示了城市數(shù)據(jù)集的天空圖。該天空圖是使用光線跟蹤和三維建筑模型生成的。圖4中的灰色區(qū)域表示根據(jù)建筑模型，直接傳輸被阻斷。顯然，許多非視距傳播都是在有偏差的數(shù)據(jù)集中接收的。

圖4.香港收集的數(shù)據(jù)中包含周邊建筑信息的天空圖。衛(wèi)星軌道的顏色表示接收信號(hào)強(qiáng)度，顏色越紅，接收的信號(hào)強(qiáng)度越高。

NLOS識(shí)別算法描述如下。

關(guān)于LOS GNSS數(shù)據(jù)，香港土地部門建立了一個(gè)名為SatRef的GNSS網(wǎng)絡(luò)，為香港用戶提供差分修正。我們采用SatRef站存檔的RINEX數(shù)據(jù)作為LOS數(shù)據(jù)，因?yàn)閰⒖颊疚挥谟^測條件良好的地方。24小時(shí)的clean 數(shù)據(jù)也用于訓(xùn)練分類器。

觀察圖4，我們可以發(fā)現(xiàn)低仰角NLOS信號(hào)的接收信號(hào)強(qiáng)度也較低。也就是說，這意味著可以使用不同變量的組合來識(shí)別非視距。下一節(jié)討論可用于分類度量類型的變量。

分類LOS/NLOS/多徑測量的特點(diǎn)

LOS信號(hào)僅包含從衛(wèi)星到接收器的直接信號(hào)。NLOS接收僅表示接收器接收到的信號(hào)反射。多徑包含直接信號(hào)和反射信號(hào)。根據(jù)其差異的性質(zhì)，以下變量可能是分離測量值的提示。

接收信號(hào)強(qiáng)度，RSS接收信號(hào)強(qiáng)度通常用載波噪聲比（C/N0）表示。根據(jù)信號(hào)傳播理論，額外的傳播和反射將增加信號(hào)傳播損失。因此，它是用于減輕多徑效應(yīng)的最常用變量之一。RSS數(shù)據(jù)可以從NMEA和RINEX數(shù)據(jù)格式輕松獲得。

接收信號(hào)強(qiáng)度變化率：由于接收機(jī)跟蹤環(huán)路的原理，如果天線保持靜止，多徑和非視距的接收信號(hào)強(qiáng)度可能會(huì)增加，天線的速度與多徑效應(yīng)引起的GNSS定位誤差密切相關(guān)。

Pseudorange residue ：最小二乘估計(jì)是實(shí)現(xiàn)GPS定位原理三角測量的基本方法。通過最小二乘估計(jì)，可以使用（1）估計(jì)接收機(jī)狀態(tài)。

r是接收器狀態(tài)，包括接收機(jī)和GPS系統(tǒng)時(shí)間之間的三維位置和時(shí)鐘偏移。表示偽距測量。G表示由衛(wèi)星和接收器之間的單位LOS矢量組成的測量矩陣。偽距測量值之間的不一致性可以表示和計(jì)算方式為：

如前一項(xiàng)研究所示，如果測量次數(shù)足夠，偽距殘差可以作為排除多徑和NLOS信號(hào)的指標(biāo)。

增量偽距和偽距速率之間的差異：

該變量用于檢查偽距和多普勒頻移測量值之間的一致性。偽距和多普勒頻移分別由碼和頻率/載波跟蹤環(huán)路估計(jì)。也就是說，如果忽略它們微不足道的互相關(guān)，它們是獨(dú)立的。Delta偽距表示兩個(gè)時(shí)代之間偽距的變化。其計(jì)算方法為：

其中上標(biāo)i和下標(biāo)k分別表示衛(wèi)星索引和epoch索引。偽距速率也表明了兩個(gè)時(shí)代之間偽距的變化。根據(jù)多普勒效應(yīng)原理，可通過多普勒頻移計(jì)算得出：

關(guān)于上述變量的標(biāo)記數(shù)據(jù)如下圖所示。頂部面板上的數(shù)字清楚地表明，與其他數(shù)據(jù)相比，大多數(shù)clean的LOS數(shù)據(jù)具有較強(qiáng)的接收信號(hào)強(qiáng)度。多徑的C/N0在25至40 dB Hz的范圍內(nèi)。非視距的C/N0很少大于35 dB Hz，主要在25至30 dB Hz之間。就C/N0的變化率而言，多徑?jīng)]有明顯的特征，它廣泛分布在-20至20 dB Hz之間。非視距頻率分布在-10至10 dB Hz之間。就偽距殘差而言，LOS值要小得多，因?yàn)樗鼈兣c大多數(shù)接收到的測量值一致。顯然，非視距在正值上的分布大于負(fù)值。這一現(xiàn)象是由于非視距比視距多了一條航路。因此，其偽距誤差趨于正值。從下欄可以看出，視距信號(hào)在偽距和多普勒頻移測量值之間的一致性優(yōu)于多徑和視距信號(hào)。與多徑和視距相比，它們在-10至10米的范圍內(nèi)相似。然而，非視距在delta偽距和偽距速率之間有更大的差異范圍。這種差異將在下一節(jié)中顯示。

SUPPORT VECTOR MACHINE

• A：Algorithm and Toolbox 回歸量、y類和特征x表示為：

表示根據(jù)應(yīng)用程序預(yù)定義的可操作函數(shù)。w表示回歸變量的參數(shù)，即機(jī)器學(xué)習(xí)方法估計(jì)的參數(shù)。SVM是一種用于分類的有監(jiān)督機(jī)器學(xué)習(xí)技術(shù)。它的回歸元可以理解為用于區(qū)分不同類別的超平面。SVM的超平面可以描述為：

表示超平面的邊界。如果邊緣很?。磶缀鯙榱悖?，則意味著經(jīng)過訓(xùn)練的分類器無法根據(jù)給定的特征清楚地分離類。為了得到給定的方程（6），其優(yōu)化可表示為：

r表示正則化參數(shù)，用于平衡模型復(fù)雜度和訓(xùn)練誤差之間的平衡。最后，它可以表示為：

其中：

表示內(nèi)核函數(shù)，可以使用復(fù)雜的工具箱進(jìn)行評(píng)估, 本文Matlab提供的支持向量機(jī)。在默認(rèn)設(shè)置中，線性內(nèi)核，

還有其他設(shè)置可以更好地適應(yīng)全球?qū)Ш叫l(wèi)星系統(tǒng)的視線、多徑和非視距分類。本文使用Matlab的默認(rèn)設(shè)置快速演示SVM對干凈和有偏GNSS偽距測量進(jìn)行分類的有效性。

• B. Classifaction Result

為了避免訓(xùn)練數(shù)據(jù)集的不平衡問題，使用相同數(shù)量的LOS、多徑和NLOS測量。使用了85365個(gè)樣本。該樣本將分為10組進(jìn)行10倍分類。表一比較了使用第四節(jié)所列單一特征的分類精度。

如表I所示，使用偽距殘差特征的分類精度小于50%。在城市峽谷深處，單歷元數(shù)據(jù)中非直瞄和多徑的數(shù)量可能大于直瞄。這導(dǎo)致偽距殘差不能作為區(qū)分GNSS接收信號(hào)類型的一個(gè)明顯特征。使用RSS的更改率作為特征的準(zhǔn)確性低于40%。RSS的變化率可以成功地分離干凈和有偏測量。然而，它沒有分離多徑和非直瞄的能力。使用其余兩個(gè)特征的分類結(jié)果可以達(dá)到65%以上。圖6和圖7從接收信號(hào)強(qiáng)度的角度顯示了標(biāo)記數(shù)據(jù)，以及增量偽距（來自偽距測量）和偽距速率（來自多普勒頻移）之間的差異。

觀察圖6和7，顯然，根據(jù)這兩個(gè)特征，可以很容易地將視距、多徑和非視距分為三組。例如，如果C/N0大于40 dB Hz，測量很可能是NLOS，

小于2米?；谶@種邏輯，表II列出了使用多個(gè)特征訓(xùn)練的SVM分類器。使用了三個(gè)特征，1）RSS，2）偽距殘差，3）δ偽距和偽距率之間的差異。同時(shí)使用第一個(gè)和最后一個(gè)特征，分類精度將達(dá)到75%左右。如果使用第四節(jié)中提到的所有特征來訓(xùn)練SVM分類器，那么仍然可以達(dá)到75%的準(zhǔn)確率。換言之，使用另外兩個(gè)功能并沒有改進(jìn)它。

總結(jié)

本文應(yīng)用機(jī)器學(xué)習(xí)方法，利用從原始測量中提取的幾個(gè)特征來區(qū)分接收到的GPS信號(hào)類型，即視距、多徑和非視距。討論了四個(gè)特征，包括1）接收信號(hào)強(qiáng)度，2）RSS變化率，3）偽距殘差，4）增量偽距和偽距率之間的差異。根據(jù)實(shí)驗(yàn)結(jié)果，使用由第一個(gè)和最后一個(gè)特征訓(xùn)練的SVM分類器可以達(dá)到約75%的分類精度。

這項(xiàng)工作是一項(xiàng)初步研究，旨在證明機(jī)器學(xué)習(xí)方法在全球?qū)Ш叫l(wèi)星系統(tǒng)定位中的有效性。需要注意的是，開發(fā)的分類器只能應(yīng)用于靜態(tài)應(yīng)用程序。本研究的未來工作是使用動(dòng)態(tài)數(shù)據(jù)集訓(xùn)練分類器。此外，將應(yīng)用不同的機(jī)器學(xué)習(xí)方法，如決策樹，來尋找最可靠的分類器。

關(guān)注“學(xué)姐帶你玩AI”公眾號(hào)

回復(fù)“機(jī)器學(xué)習(xí)”免費(fèi)領(lǐng)取機(jī)器學(xué)習(xí)實(shí)戰(zhàn)導(dǎo)學(xué)資料！