基于Transformer增强LSTM网络的GNSS观测值NLOS检测与不确定性预测
机器人学
2024-02-20 v2 人工智能
摘要
全球导航卫星系统（GNSS）在交通系统中对精确且一致的车辆定位起着至关重要的作用。然而，在城市峡谷等挑战性环境中，GNSS观测值可能因多径效应和非视距（NLOS）接收而失真。在此类情况下，用于分类并剔除故障GNSS观测值的传统方法可能失效，导致不可靠的状态估计和不安全的系统运行。本工作提出一种基于深度学习的方法，通过将GNSS观测值视为时空建模问题来分析，以检测NLOS接收并预测GNSS伪距误差。与以往工作相比，我们构建了类Transformer的注意力机制来增强长短期记忆（LSTM）网络，提升了模型性能与泛化能力。为训练和评估所提网络，我们使用了来自香港和亚琛市的带标签数据集。我们还引入了利用激光雷达地图标注GNSS观测值的数据集生成流程。在实验研究中，我们将所提网络与基于深度学习的模型及经典机器学习模型进行比较。此外，我们对网络组件进行了消融研究，并将NLOS检测与数据分布外情况集成于状态估计器中。结果表明，我们的网络相较其他模型具有更高的精确率与召回率。另外，我们展示了所提方法通过分类并排除NLOS观测值，避免了真实世界车辆定位中的轨迹发散。
引用
@article{arxiv.2309.00480,
title = {Learning-based NLOS Detection and Uncertainty Prediction of GNSS Observations with Transformer-Enhanced LSTM Network},
author = {Haoming Zhang and Zhanxin Wang and Heike Vallery},
journal= {arXiv preprint arXiv:2309.00480},
year = {2024}
}
备注
Accepted for the IEEE ITSC2023