文摘

全球导航卫星系统(GNSS)一直是最受欢迎的工具提供定位、导航和定时(PNT)信息。已经开发了一些方法提高GNSS信号具有挑战性的环境中性能(城市峡谷,茂密的枝叶,信号阻塞,多路径,和none-line-of-sight信号)。矢量跟踪循环(VTL)被认为是最有前途的和潜在的在这些技术中,由于VTL意识到渠道之间的相互协助。然而,瞬时信号影响的跟踪通道堵塞部分VTL操作和导航解决方案的评估。此外,可用卫星使用不足将导致错误随时间发散的快速导航解决方案。短期或临时信号阻塞是常见的在城市地区。旨在提高VTL的性能在信号中断,本文深入学习方法用于协助VTL导航解决方案的评估;更具体地说,很长一段短期Memory-Recurrent神经网络(LSTM-RNN)是用来援助VTL导航滤波器(导航滤波器通常是一个卡尔曼滤波器)。LSTM-RNN获得性能优良的时间序列数据处理;因此,本文LSTM-RNN来预测导航滤波器创新序列值在信号中断,然后,预测创新的值是用来帮助导航滤波器估计导航解决方案。 The LSTM-RNN was well trained while the signal was normal, and the past innovative sequence was employed as the input of the LSTM-RNN. A simulation was designed and conducted based on an open-source Matlab GNSS software receiver; a dynamic trajectory with several temporary signal outages was designed for testing the proposed method. Compared with the conventional VTL, the LSTM-RNN-assisted VTL could keep the horizontal positioning errors within 50 meters during a signal outage. Also, conventional Support Vector Machine (SVM) and radial basis function neural network (RBF-NN) were compared with the LSTM-RNN method; LSTM-RNN-assisted VTL could maintain the positioning errors less than 20 meters during the outages, which demonstrated LSTM-RNN was superior to the SVM and RBF-NN in these applications.

1。介绍

目前,用户能够获得准确的定位、导航和定时(PNT)信息从手持或芯片级全球导航卫星系统(GNSS)接收机1- - - - - -3]。智能手机、smartwatches或共享的自行车都配备了芯片级GNSS接收机获取连续PNT信息。就其本质而言,GNSS卫星导航系统,接收器接收信号传播的导航卫星在太空轨道覆盖地球。GNSS接收机通常由三大功能模块(如图1),信号采集、信号跟踪和导航解决方案的评估(3- - - - - -5]。典型的GNSS接收机的工作流程可以说明如下:首先,无线(RF)前面接收信号,然后样品和降频转换器的高频导航卫星信号进一步处理后块;其次,信号采集完成粗代码和频率估计,结果转换为跟踪回路组件初始化信号跟踪操作;第三,信号跟踪负责锁定信号和生成代码和频率测量导航解决方案(位置和导航)测定在最后一块。由于时钟偏差和漂移的存在,至少四颗卫星导航解决方案评估是必要的。

在接收器,信号跟踪指的是代码跟踪和载波信号跟踪。跟踪代码生成的伪距测量位置估计。与此同时,载波跟踪生成伪距率测量速度估计。通常,最小二乘法(LSM)或采用卡尔曼滤波器实现导航解决方案估计(3- - - - - -5]。正如上面提到的,在上面的架构中,每个通道的接收机分别进行信号跟踪回路,和导航解决方案反馈给救援信号跟踪。这种架构称为标量跟踪回路(STL),这个方案有以下特点:每个通道单独完成跟踪相应的卫星信号,任何信息交换发生在不同的频道,没有信息反馈信号跟踪或信号采集,以及连续三块是相对独立的。基本上,STL忽略导航解决方案之间的内在关系和每个通道的信号跟踪参数(位置信息确定代码跟踪结果和载波跟踪结果的速度决定)。就其本质而言,所有频道共同导航解决方案;这种特征可能有利于信号采集和跟踪(1- - - - - -5]。

不同于STL,向量跟踪回路(VTL)利用中心导航滤波器(通常是一个卡尔曼滤波器)一起处理所有渠道跟踪并生成导航解决方案。VTL的架构提出了图2、导航解决方案反馈给信号跟踪生成本地信号。然后,本地信号副本与接收到的信号混合生成测量导航解决方案更新。VTL通常由一个向量延迟锁定环(VDLL)和一个向量频率锁定环(VFLL)。首先提出了VDLL Spilker在,它吸引了研究人员的关注,因为它具有优越的性能比STL跟踪弱信号(6]。最近,拉什利等人实施了VFLL / VDLL与STL和比较其性能;结果表明,VTL执行6.2 dB微弱信号跟踪阈值改进与11卫星视图和2.4 dB改进五个卫星可用(7- - - - - -10]。此外,公司和Eissfeller发现VTL可以追踪10比STL dB-Hz较弱的信号。

VTL性能分析的基础上,研究人员致力于提高VTL的性能在一个信号具有挑战性的环境[11]。根据过去的研究,影响VTL性能VTL遇到三个主要问题。第一个问题是之间的误差传播渠道,带来的是集中式处理所有的频道。第二个问题是非线性测量方程;通常,测量方程线性化,采用卡尔曼滤波进行处理。第三个问题是信号故障或堵塞负面影响VTL的性能。对于第一个问题,赢了,Eissfeller geometry-related范围精度系数定义,可用于分析不同渠道之间的交互和如何将这些渠道共享公共信息(12,13]。通道交互分析可能是一个理论依据设计一个自适应可变阈值逻辑处理的条件,部分信号是低质量的12,13]。陈的非线性问题,设计了一种自适应迭代扩展卡尔曼滤波(AIEKF)过滤器VTL [12,13];夏设计了一个自适应鲁棒容积卡尔曼滤波(AR-CKF)增强VTL导航精度14]。除了这些方法,格雷斯提出多重向量跟踪接收机架构,而定位精度降低了的协作定位估计多个接收器(15]。江采用芯片级原子钟(原子钟)支持VTL定位,和结果表明,原子钟可能改善VTL定位精度(16]。精度因子(计划)值下降的原子钟作为参考(当地时间17]。

尽管有这些努力,瞬时信号阻塞会不断生成的抑制VTL精确导航解决方案。有限的工作已经发表在解决这个问题。赵提出了一个神经network-assisted GPS / BDS VTL;在这种方法中,神经网络是用来预测的多普勒频率和代码阶段信号中断时(18]。Jwo等人采用径向基函数神经网络(时滞)大小和自适应基于网络的模糊推理系统(简称ANFIS)预测的输入足够的数控振荡器(NCO)输入19]。有别于传统的递归神经网络(RNN),长期短期记忆——(LSTM) RNN设计独特的“门”结构可以充分利用历史信息构建合适的模型(20.- - - - - -22]。LSTM-RNN表现更好的性能在时间序列数据处理(20.- - - - - -22]。在这工作,LSTM-RNN来帮助导航滤波器和桥信号中断。在训练阶段,从鉴别器和导航滤波器的输出信息将作为LSTM-RNN的输入。在信号中断,LSTM-RNN来预测创新序列在导航滤波器协助代导航解决方案。LSTM-RNN-assisted VTL的绩效评估是通过比较它与传统VTL没有任何帮助。

本文的其余部分组织如下:部分2说明了基本架构和VTL的方程;介绍了LSTM-RNN部分3,讨论了LSTM-RNN-assisted VTL;LSTM-RNN-assisted VTL提出了模拟和分析,讨论的结果部分4。结论给出了部分5。

2。矢量跟踪循环

图3提出了使用VTL的说明性的架构;它有两个基本组成部分:信号跟踪和导航滤波器。VTL,首先,鉴别器生成测量导航滤波器,然后,导航滤波器采用测量估计的导航解决方案;其次,导航解决方案反馈给生成本地信号副本,这是与相关器的接收信号混合,然后再次生成测量。鉴别器放置在相关器和信息相关器是用于鉴别器测量代。分段2.1和分段2.2之间的关系给鉴别器和导航滤波器及相关方程。

2.1。建模鉴频器输出和导航解决方案

位置误差之间的关系和相位误差描述在图的代码4。在这个图中,位置误差和相位误差的代码可以使用方程(模仿1): 在哪里是代码相位误差,位置误差向量,位置误差是指之间的运动吗位置和位置 ,及其对视线向量的投影是对应代码阶段递增。事实上,代码相位误差也受到本地时钟偏差,和详细的用户的位置关系和相位误差被列为代码 在哪里是光速,时钟偏差在哪里时代,相位噪声是代码。具体来说,是由接收方和用户的相对位置。

除了代码位置误差和相位误差之间的关系,有一个类似的连接速度和载波频率误差。方程(4)和(5)详细描述的关系。 在哪里指的是载波频率误差时代,是当地时间漂移,是噪音。速度矢量在哪里时代;估计的速度矢量在哪里时代。

2.2。导航滤波器模型

正如上面提到的,分段2.1代码说明了如何利用相位和频率误差的估计位置和速度增加。基于上述分析,本节将给导航滤波器的模型。导航滤波器通常是一个卡尔曼滤波器,它由一个状态方程和测量方程。

状态方程的位置错误,速度错误,时钟偏差,和时钟漂移是状态变量,方程给出 在哪里状态转移矩阵和吗是噪音。更多细节的状态方程可以发现在我们之前发表的论文(3]。

基于状态变量之间的关系的分析和测量,因此,可以形成测量方程 在哪里是由输出的测量从鉴别器;具体来说,鉴别器产生的代码增量和载波频率鉴别器提供频率错误之间的时期。是矩阵描述之间的关系状态变量和测量信息;是测量噪声矩阵。此外,更多的信息关于如何计算上述矩阵或测量显示在我们之前的文件3]。

2.3。VTL的卡尔曼滤波器实现

导航滤波器模型说明在上面的小节中,下列方程将更新和VTL的卡尔曼滤波器的详细信息。常见的是,一个典型的卡尔曼滤波器包含预测过程和状态更新过程(3]。状态预测

更新如下: 在哪里使用之前的状态预测的状态向量和状态转移矩阵;是预测状态向量的方差矩阵;增益矩阵,定义了更新重量之间的预测和新的测量。此外,矩阵和分别代表了状态矩阵和观测噪声协方差矩阵,并给出了规范方程(13)- (15)。 的函数表示期望计算。

3所示。LSTM-RNN-Assisted VTL

LSTM-RNN基本RNN的是一个流行的变体;首先,我们介绍的组件和结构(16]。LSTM-RNN是如何工作的将在本节说明和解释。其次,VTL LSTM-RNN将引入的实现,并将得到的细节。

3.1。LSTM-RNN

经典LSTM-RNN由三个“盖茨”,是“输入门”,“输出门”和“忘记门”(16]。这些门有不同的功能,和他们一起工作完成任务。图5给LSTM-RNN的结构单元。了,第一个门是“输入门。“门调节输入数据的输入和更新的状态向量。给出以下两个公式来描述过程。 在哪里和权重,和偏差;这些参数将决定在训练过程。列在图5细胞状态,新的候选人由双曲正切函数,然后,乘以向量 ,和乘法的结果被添加到细胞状态更新。

第二个是“忘记门”,负责调节前面的信息。这个操作通常是使用一个s形的函数。假设输入向量 ,然后函数给出 在方程(18),是乙状结肠函数,是更新权重向量,是偏差向量。这个门的输出是一个向量,其中包含数字0和1之间,代表的保持程度相应的值。

最后一门是输出门;门是用于调节输出的输出。列在图5两个函数(乙状结肠函数和双曲正切函数)都包含在这门进行操作。乙状结肠函数中列出方程(19),中列出的双曲正切函数方程(20.)。

最后,细胞状态输出

3.2。LSTM-RNN-Assisted VTL实现

设计LSTM-RNN-assisted VTL如图6。LSTM-RNN结合导航滤波器;过去的创新序列LSRM-RNN协助VTL的输入。图5只是一个LSTM-RNN单元,和图7是LSTM-RNN时间吗来 。信息交换也见图7。创新采用VTL导航滤波器序列作为输入的LSTM-RNN和创新是写成

信号是正常的,LSTM-RNN训练来确定一些参数,然后,LSTM-RNN将输出预测的信息援助VTL在信号中断。列在图6,每个通道都有一个独特的LSTM-RNN从导航滤波器获得信息。考虑到计算负载和预测性能,近50创新在每个通道使用VTL序列。

4所示。仿真和结果

部分2介绍了该方法的基本公式和细节。在本节中,将使用一个灵活的Matlab仿真软件接收机。LSTM-RNN在Matlab中实现,包含可变阈值逻辑。一个中频(如果)数据收集从硬件信号模拟器。通过信号模拟器的GUI,每颗卫星可能被阻塞或打开在模拟。这个部分分为两个部分:(1)首先,详细给出了仿真的设置,包括轨迹细节,VTL工作流程,和LSTM-RNN设置参数;(2)其次,定位结果和相关的分析,包括位置误差与一个共同VTL在信号中断。(3)支持向量机与LSTM-RNN时滞被用来比较大小的定位错误。

4.1。设置

图8显示了3 d动态轨迹。图中给出的数字代表不同的飞行任务或运动;所有的数字的具体含义是列在表中1。有七种不同的飞行任务的轨迹。然后,轨迹文件输入GNSS信号硬件模拟器;如果数据收集器是用于收集GNSS信号。采样频率是10 MHz,如果频率为3.02 MHz。

在操作VTL之前,一些初步的信息是必要的,例如,位置,速度,信号跟踪参数和星历表。表2列出了收购的结果包括卫星的RPN,多普勒,和代码抵消,这对于初始化VTL至关重要。作为显示在表2,8个卫星都包含在仿真。特别是,GPS是包含在这个代表GNSS的模拟。在雇佣LSTM-RNN方面,考虑到计算负荷,LSTM-RNN是单层结构、学习速率为0.01,培训时代是100,和批处理大小是30。

4.2。LSTM-RNN VTL的结果和分析

首先,使用适当的设置,只有两颗卫星中包括VTL估计导航解决方案,旨在评估LSTM-RNN VTL的性能条件下,信号的一部分被阻塞的轨迹。列在表2八个卫星获得的,我们随机选择两颗卫星(打印04和打印08)模拟。图9介绍了定位错误包括VTL和LSTM-RNN-assisted VTL之间的比较。如图8VTL三轴误差超过800米,800米和500米(红线了VTL定位数据中的错误9(一个)- - - - - -9 (c))。蓝线在图9(一个)- - - - - -9 (c)表示LSTM-RNN-assisted VTL的定位错误;三轴定位误差最大值约50米,40米,80米。结果显然证明LSTM-RNN-assisted VTL的有效性在长期减少定位误差信号中断。

此外,图10揭示了位置误差比较没有任何可用的卫星信号中断。图10 ()介绍了纬度误差;数据9 (b)和9 (c)情节经度和海拔的错误。在图10,LSTM-RNN VTL比较常见VTL可用卫星。绘制图9,而只有两颗卫星用于VTL,定位误差迅速发散和超过500。因此,我们选择了VTL有足够的卫星作为参考。

图10介绍了定位误差与三个不同的信号中断,并且每个中断持续约20秒。在方面的纬度(图错误10 ()),LSTM-RNN援助,错误仍然生长在信号中断。停机1,最大误差达到15米;停机2和停机3达到约23米。在方面的经度错误(图10 (b)),最大定位误差8 m, 19米,和20 m,分别为三个单独的信号中断。最后,图10 (c)给予高度的结果错误,最大值发生在信号中断1,达到约26米,但在其他两个信号故障,错误都是一直低于20米。

在这个模拟中,信号中断所有持续20秒,结果显示,大多数的定位错误低于20米,这是一个比较令人满意的结果。作为提出了这些数据,我们可以发现的错误LSTM-RNN将进一步增长如果信号中断将持续更长的时间。LSTM-RNN是有效减少或减缓错误增加。具体地说,相比之下,图8,在图10定位误差较小;因为有两个可用的卫星信号中断,这可以解释为什么LSTM-RNN获得不同的性能相同的轨迹。

4.3。比较与SVM LSTM-RNN, RBF-NN

分段4.2礼物的结果和分析LSTM_RNN性能在信号中断。为进一步评估的性能LSTM-RNN VTL信号中断,两个传统的机器学习方法支持向量机(SVM)和径向基函数神经网络(RBF-NN)是用于与LSTM-RNN进行比较。支持向量机的实现和时滞严重大小引用文献[18,19]。测试轨迹是一样的呈现在图8。比较由两部分组成:停机两个可用卫星和中断没有可用的卫星。

首先,定位结果的长期停机两个可用卫星呈现在图11。黄线代表的结果支持向量机,并从RBF-NN的绿色线表示。提出,LSTM-RNN测试期间执行的最小定位错误。RBF-NN还执行小比支持向量机定位错误。

其次,三种方法之间的定位误差比较结果在图中给出的信号中断12。绿线代表支持向量机的定位错误,LSTM-RNN的定位错误,给出的红线和蓝线代表,从时滞。大小信号正常时,系统工作在集成模型;因此,只有蓝线在图可见12(不含信号中断)。很明显,LSTM-RNN抑制有效地定位错误,获得最佳的性能与SVM和时滞。大小相比

5。结论

摘要LSTM-VTL研究改善信号中断期间VTL导航精度。动态轨迹信号阻塞是用来评估拟议中的LSTM-RNN-assisted VTL的性能。LSTM-RNN协助,位置错误减少,支持这样的结论:LSTM-RNN期间有效改善VTL信号中断。然而,我们认为仍有一些限制如下:(1)LSTM-RNN应该训练前VTL部署;培训是耗时的,这可能增加处理器的计算负荷(2)提出了图12,LSTM-RNN-aided VTL的位置错误仍然分歧中随着时间的推移,信号中断;长时间信号中断将带来更大的定位错误

在未来,我们认为以下工作值得进一步研究:(1)更好或更近似神经网络有利于提高信号故障期间VTL的性能。有趣的是,调查其他变异的RNN在这个应用程序中,例如,封闭的复发性单元(格勒乌)(2)提交测试是必要的评价该方法的性能,例如,城市峡谷,值得为提高定位精度VTL的信号具有挑战性的环境(3)葫芦的车辆或无人机,还有其他传感器装备和意义的调查VTL与这些传感器的集成更健壮的定位性能

数据可用性

数据和代码用于支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有论文发表的冲突。

作者的贡献

Di刘、清夏进行仿真和写这篇文章的第一个版本;Changhui江提出这个想法;王Chaochen收集数据并回顾了论文;媒体博指导论文写作和审查。

确认

这项工作得到了国家自然科学基金(NNSF)拨款61503180下的中国,中国的江苏省六大人才高峰计划拨款2016 - jxqc - 015下,江苏省高等教育的科学基金会资助下15 kja460007和18 kjb510016,和南京理工的基金资助CKJA201605, CKJB201702, CKJA201804。