IEEETMC深度学习增强的城市峡谷GPS定位

　　原创刘志丹深大计算机与软件学院2022102919：01发表于广东
　　DeepGPS：DeepLearningEnhancedGPSPositioninginUrbanCanyons
　　ZhidanLiuJiancongLiuXiaowenXuKaishunWu
　　ShenzhenUniversity
　　导读
　　论文DeepGPS：DeepLearningEnhancedGPSPositioninginUrbanCanyons将发表在移动计算顶级期刊IEEETransactionsonMobileComputing上，由深圳大学计算机与软件学院物联网研究中心完成。
　　项目主页：
　　https：github。combducgroupDeepGPS
　　该工作提出了一个基于深度学习的高精度GPS定位系统，融合了定位周边环境因素（GPS初始位置周围的建筑高度和道路分布）、定位时间以及GPS卫星状态，以描述定位的上下文信息，并利用神经网络模型从大量标记的GPS定位样本学习GPS定位上下文信息和GPS估计之间隐式的复杂关系。该系统能在城市峡谷中显著提高GPS性能。
　　引言
　　全球定位系统（GlobalPositioningSystem，简称GPS）广泛运用在日常生活的许多应用中，如导航、共享出行和其他基于位置的服务。虽然GPS在大多数地区的使用效果良好，但由于非视距（NonLineofSight，简称NLOS）卫星的信号反射，其在城市峡谷的定位性能较差。城市峡谷中GPS定位误差大的根本原因是复杂动态的城市环境，特别是高层建筑对卫星信号的反射（如图1所示）。因此，该工作中假设GPS的定位性能与GPS接收器周围的环境之间存在某种关系。这种假定是合理性的：一方面，对于由一对经纬度表示的给定位置，其周边环境因素对卫星信号的影响是长期一致的。另一方面，GPS卫星按一定周期有规律地运行，因此它们的位置是可以预测的。该工作则利用强大的深度神经网络来逼近该关系映射函数，以更好地描述GPS估计与定位环境（包括城市环境、卫星分布等）之间的复杂关系。
　　图1。城市峡谷中多路径和NLOS的卫星信号
　　技术贡献
　　本工作主要贡献如下：本文提出的DeepGPS是第一个通过学习不同的定位环境和GPS定位之间隐含关系来校正位置、提高城市峡谷中GPS定位精度的系统。本文基于编码器解码器（EncoderDecoder）网络结构设计并实现了一个基于深度学习的高精度GPS定位系统，该系统可以准确预测定位错误，并从错误的GPS估计和多源数据中校正位置。本文将环境信息编码到一个新提出的约束掩码器中，进一步改善了神经网络模型，并提出了一个移动模型以实现连续定位。
　　方法介绍
　　DeepGPS的总体结构如图2所示。总体上，DeepGPS融合了城市峡谷中影响GPS定位的多个因素，以相同大小的矩阵表示它们；基于编码器解码器（EncoderDecoder）网络设计，从输入矩阵中提取潜在特征，然后对给定的GPS估计同时预测定位误差和校正位置。
　　图2。DeepGPS的总体结构
　　具体来说，多源数据融合模块（InputRepresentation）将周边环境（GPS估计的周围道路、建筑物等信息）、卫星状态和定位时间等信息考虑在内并将其统一用矩阵表示。DeepGPS采用编码器解码器网络模型来实现深度神经网络来逼近映射函数，该模型以卫星状态、时间戳和周边环境的三个表示矩阵作为输入，利用编码器解码器网络模型同时预测定位误差区间和正确位置。编码器的目标是从输入矩阵中提取高层特征，而距离解码器和位置解码器则分别使用编码器输出的特征图来生成距离概率向量和位置概率矩阵。对于每个GPS定位实例，距离概率向量表示该GPS估计可能的定位误差，而位置概率矩阵表示该GPS估计校正后的位置。此外，该系统从环境矩阵中构建约束掩码器（ConstraintMask），从可达区域中过滤掉不可能的位置，并输出最终矩阵，其中值最大的位置就是最终解。此外，该系统维护一个从用户的最新移动位置中学习的移动模型，并利用该模型来改进输出以实现高效的连续定位。
　　接下来将具体介绍每个数据源转换为矩阵表示的过程。
　　（1）周边环境转换为环境矩阵（图3）
　　当需要定位时，GPS接收器将以（纬度，经度）的形式提供估计位置，并提供估计位置的不确定性误差。理论上，实际位置会在以估计位置为中心、半径为不确定性误差的圆内。本文将考虑到周围的环境，包括周边建筑物的高度、布局以及周边道路的地理分布，并将这些信息转换为环境矩阵。
　　图3。（a）根据给定估计位置和最大误差距离构成的正方形区域；（b）环境矩阵表示（a）中正方形区域内的环境因素
　　（2）卫星状态转换为天空图矩阵（图4）
　　除了估计位置外，GPS接收机还可以提供定位时GPS卫星的状态数据，其中包括每颗卫星的高度角、方位角以及信噪比，根据GPS卫星的状态数据，可以绘制一个天空图（Skyplot）来说明给定地面站点上的GPS卫星的几何分布。天空图是卫星状态的有效表示，以前的工作通常利用天空图过滤掉NLOS卫星，或者在3D城市模型的帮助下进行基于阴影匹配的位置校正。因此本文将天空图转换为天空图矩阵来表示卫星状态以作为模型的输入。
　　图4。（a）GPS接收器看到的天空图；（b）由（a）的天空图转换而来的天空图矩阵
　　（3）时间戳转换为时间戳矩阵（图5）
　　一般来说，GPS定位实例的时间戳被表示为一长串数字。根据GPS卫星的运行规则，每颗卫星每12小时绕地球运行一圈，这意味着理论上它会周期性地回到同一地点。
　　但是，由于地球同时自转，在一个轨道周期后，同一位置的卫星到GPS接收器的相对位置可能会不同。固定位置的GPS接收器在一个重访周期后会再次看到同一颗卫星。因此，根据卫星的重访周期，由时间戳生成时间戳矩阵。
　　图5。将时间戳转换为时间戳矩阵的MLP模型
　　结果展示
　　图6展示了三个完整的轨迹，即地面真实轨迹、智能手机轨迹和DeepGPS的校正轨迹。DeepGPS系统将平均定位误差从12。3米减少到5。2米，显著提高了城市峡谷区域内GPS的定位精度。
　　图6。对智能手机记录的轨迹、校正后轨迹和实际轨迹的比较
　　图7展示了一个具体的例子，本系统正确地校正了GPS估计。如图7（a）所示，由于周围建筑物的影响，GPS错误地将用户定位在邻近的路段上。本文还展示了该路段对应的全景图，如图7（b）所示，这正是测试城市中的一个典型的城市峡谷地区。
　　图7。（a）某样本显示在环境矩阵上的校正前后位置与真实位置；（b）某样本对应的全景图
　　总结展望
　　智能终端上的GPS芯片能很方便获得当前位置，在大多数地方运行良好，但在城市峡谷中由于受到非视距卫星信号反射和多径干扰的影响，定位精度会极大地降低。本文提出了DeepGPS，其利用编码器解码器网络模型预测每一个错误的GPS估计的正确位置。更具体地说，DeepGPS融合了影响城市峡谷GPS精度的多个因素（建筑高度、道路分布、时间以及GPS卫星状态），并通过两个并行解码器以预测定位误差和正确的定位位置。DeepGPS系统的实现已经公开，以期更多的后续工作。基于大规模公交车轨迹数据集和实地采集的GPS数据集的大量实验表明，本系统可以显著提高城市峡谷的GPS定位精度。
　　思考讨论
　　以下是开放型问题，欢迎各位读者交流讨论：
　　Q：该方法在纠正连续定位时，是使用移动掩码器（MobilityMask）过滤掉不可访问的候选位置，可能会发生错误筛选，是否有更好的办法进一步增强连续定位的性能？
　　深圳大学计算机与软件学院
　　物联网研究中心
　　TheloTResearchCenter
　　重点研究智能物联网技术，推出新型非接触式泛在感知系统，开辟了该方向的一系列创新研究，荣获广东省科学技术一等奖和教育部自然科学二等奖。
　　官网地址：http：www。futurenet。ac。cn
　　转载申请
　　联系电话：075526534078
　　联系邮箱：wuyazhouszu。edu。cn