本发明涉及一种组合导航定位方法，特别是一种用于极端天气救援的组合导航定位方法。
背景技术：
1、本部分提供的仅仅是与本公开相关的背景信息,其并不必然是现有技术。
2、由于沿海城市容易受到台风暴雨的影响，一旦发生自然灾害，对于受灾区域人员的应急救援非常关键，同时也需要高精度、实时、可靠的导航定位技术来提高救援效率。然而，由于极端天气的导致的信号衰减以及城市复杂环境中高大建筑物的遮挡，使得gnss(全球导航卫星系统，global navigation satellite system)信号更加容易受到多路径干扰以及非视距接收的影响，产生的多径效应导致gnss信号质量低下，严重制约着gnss及其组合导航系统的定位精度。因此，在发生极端天气的城市复杂环境中的精准定位对自然灾害发生后救援车辆和人员的撤离具有重要研究意义。
3、针对上述导航定位技术存在的局限性，国内外研究者开展了许多有价值的探索，主要分为信号处理方法、天线设计方法和基于观测值建模的方法。由于基于信号处理的方法无法有效识别nlos(非视距接收，non-line-of-sight)信号并减弱其影响以及天线线设计方法体积沉重、价格昂贵的特点，这两种方法不适用于城市定位的广泛推广。基于观测值建模的误差修正方法是基于数理统计、机器学习等手段，建立gnss原始观测量与多径误差之间的数学模型获得多径误差的预测值，利用该预测值进行误差修正，从而提升导航定位精度。目前基于观测值建模的误差修正方法主要分为两种：基于参考点数据建模和基于区域格网建模。
4、sun提出了一种基于gbdt(梯度提升决策树，gradient boosting decision tree)的训练回归模型，该模型通过综合考虑信号强度、卫星高度角和伪距残差来预测并修正多径误差。复杂城市环境下的定位测试结果表明，基于多径误差校正的算法的三维定位精度比传统定位算法提高了70％以上。qin提出了一种基于袋装树的多径误差预测算法，考虑信号强度和卫星高度角来预测并修正多径误差，主要提高树叶遮挡环境下的gnss定位精度，定位结果的三维rmse均提高80％以上。除了利用多径预测预测值来直接修正误差外，该预测值也被用于与卡尔曼滤波结合来调整滤波器参数。zhang采用信号强度和卫星高度角为袋装树模型输入预测多径误差，并提出了一种基于pdop值和预测的多径误差的平均值的gnss测量噪声协方差更新策略，该策略能够对传统gnss/imu松组合算法中的卡尔曼滤波参数进行自适应调节。与传统gnss/imu松组合算法相比，该方法的水平和三维定位精度分别提高了28.15％和43.10％。sun通过考虑信号强度、卫星高度角和坐标信息，采用集成袋装回归树模型来预测多径误差，根据多径误差预测值构建自适应因子，提出了一种用于城市地区gnss/imu紧组合算法的测量噪声协方差更新方案。该算法可以提高9.21m的三维定位精度，相比于传统的基于扩展卡尔曼滤波的gnss/imu紧组合算法提高了55％，相比基于扩展卡尔曼滤波的多径误差校正方法提高了15％，证明了基于多径误差预测的自适应滤波算法对gnss/imu组合导航定位精度提升的有效性。然而，基于参考点数据建模的方法仍然存在问题：同一个模型为所有城市场景预测多径误差的定位方案不够精细，多径误差预测的准确性不够。
5、基于区域格网多径建模辅助导航定位的方法将定位区域划分为格网单元，在每个格网单元中建立多径误差模型来实现对多径效应的精细化建模，在有效提高导航定位精度和稳定性的同时，还具备搭载简单、成本低廉的优势。sun提出的基于区域格网的多径误差预测和校正策略，以提高城市环境中的gnss定位精度。该方法以信号强度、卫星高度角和区域先验位置信息为输入特征，采用机器学习的随机森林算法训练回归模型预测多径误差并以此使用校正伪距。在城市环境中的动态测试结果表明，与传统定位方法相比，该算法在水平方向上的定位精度提高了41.50％，在三维方向上的定位精度提高了63.38％。lee引入非线性回归模型先对高仰角钟差进行估计，通过svm对提取的无偏多路径进行训练，生成了城市深度区域基于每颗卫星方位角和高度角的非线性多路径地图模型，该模型将城市深度区域定位精度有效提升了58.4％，垂直方向上提高了77.7％。由于先前构建的格网或地图模型都是在二维平面上划分，不能对高程用户进行精确修正，sun等人还将格网预测模型从二维平面延伸到三维立体布局，提出一种基于三维格网多径建模的城市复杂环境导航定位方法，充分考虑了不同高程的反射环境，提升在复杂立交环境和崎岖不平路段的定位精度。尽管针对城市复杂环境的多径进行区域格网划分建模在一定程度上有效提高了定位精度，然而，目前该方法仍然存在局限性，包括：由于在城市复杂环境中，尤其是极端天气影响下发生的信号衰减导致先验位置信息不准确，容易匹配到错误的格网预测模型，当前环境受到极端天气影响后与预先训练的环境产生差异较大，预先训练好的多径预测模型无法根据当前环境下信号特征动态调整，模型缺乏对极端环境的适应性以及定位过程的实时性，从而导致定位误差变大，救援车不能精准定位，使发生极端天气时的城市环境中的救援效率变低。
6、综上所述，现有技术中具有如下缺陷：
7、(1)现有的基于机器学习方法进行区域格网多径建模的gnss/imu组合导航方案中，存在前期训练数据集固定和样本库单一的问题，尤其是处于极端天气下的城市复杂环境中，信号衰减严重，退化的训练样本导致预测效果变差，无法提高区域格网多径建模辅助的组合导航定位精度，影响救援车精准定位，降低救援效率。
8、(2)现有的城市复杂环境下基于区域格网多径建模的导航定位方案构建的格网多径误差预测模型是静态的，而极端天气的城市复杂场景与先前差异不断变大，基于离线数据训练的多径误差预测模型缺乏对当前环境的适应性以及定位过程的实时性，会导致模型的预测精度不足，无法保证用于极端天气救援的组合导航定位系统的可靠性。
9、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种用于极端天气救援的组合导航定位方法。
2、为了解决上述技术问题，本发明公开了一种用于极端天气救援的组合导航定位方法，包括以下步骤：
3、步骤1，构建原始训练数据集；
4、步骤2，在原始训练数据集的基础上增加增量数据集训练样本，构建增量式格网实时修正模型，得到实时动态更新的多径热图；
5、步骤3，根据实时动态更新的多径热图进行辅助gnss/imu紧组合解算，完成用于极端天气救援的组合导航定位。
6、进一步的，步骤1中所述的构建原始训练数据集，具体包括：
7、步骤1-1，标定训练数据集；
8、步骤1-2，构建区域格网布局；
9、步骤1-3，根据gps卫星和北斗卫星的卫星星座类型划分所述训练数据集中的样本数据；
10、并根据所述样本数据对应参考位置，按照步骤1-2中所述三维立体格网布局，确定所述样本数据所属的格网层，得到原始训练数据集，分别表示为：
11、gps原始训练数据集[δ,c/n0,θe,θa,δρ]gps_grid和北斗原始训练数据集[δ,c/n0,θe,θa,δρ]bds_grid。
12、进一步的，步骤1-1中所述的标定训练数据集，具体如下：
13、步骤1-1-1，定位载体在城市区域的预定路线重复行驶收集先验数据，用于构建原始训练数据集；
14、步骤1-1-2，通过高精度组合导航定位系统与基站gnss观测数据进行差分定位，获取参考坐标信息；
15、步骤1-1-3，采集gnss接收机输出的原始观测量，提取原始观测量中相应的输入特征，所述特征包括：伪距残差δ、载噪比c/n0、卫星高度角θe和卫星方位角θa，将一组特征变量表示为：[δ,c/n0,θe,θa]；
16、步骤1-1-4，对步骤1-1-2获得的参考坐标信息和步骤1-1-3中采集的gnss原始观测量进行反演，得到伪距误差值δρ，如下：
17、δρ＝c(δδtu-δδts)+δi+δt+ε
18、其中，c为真空中的光速；δδts表示对卫星钟差修正后的残差；δδtu表示对接收机钟差修正后的残差；δi表示电离层延迟中未完全修正的残差；δt表示对流层延迟中未完全修正的残差；
19、并将上述伪距误差视为多径误差；
20、步骤1-1-5，将步骤1-1-4中得到的伪距误差值与步骤1-1-3中提取的特征变量进行标定，得到标记好的样本数据，构成训练数据集[δ,c/n0,θe,θa,δρ]。
21、进一步的，步骤1-2中所述的构建区域格网布局，具体包括：
22、划分二维平面格网，即根据城市区域的地理信息以及gnss位置数据，取包含位置数据的该区域最小正方形a为建模区域，该正方形的一边与enu坐标系下的e轴平行，在正方形区域内部划分六边形格网，以所述六边形所处的enu坐标为单位进行划分，设定六边形边长为l，取六边形网格中心点记为o；
23、将上述划分好的二维平面格网在高度方向上延伸为格网柱，每个格网柱依次按照选定高度h划分为n个格网层，完成三维立体格网布局构建。
24、进一步的，步骤2中所述的构建增量式格网实时修正模型，具体包括：
25、步骤2-1，构建gnss/imu组合导航解算结果反馈更新机制，具体如下：
26、匹配调用现有的三维格网预测模型，获取当前历元多径误差预测值，并判断是否满足：
27、
28、其中，表示当前历元多径误差预测值绝对值，表示开阔地区gnss数据的平均绝对伪距误差值；
29、若满足，则反馈更新步骤2-2-2中训练后得到的原始的格网预测模型和预测规则，具体如下：
30、将当前历元定位载体的的时空信息分别记作当前历元ti和当前位置pi，其中，当前位置pi包括当前历元定位载体所处enu坐标系的坐标信息，作为当前i时刻用于修正所述格网预测模型的实时数据；
31、否则，不更新；
32、步骤2-2，依据所述三维立体格网布局，逐格网进行增量svr的多径误差建模，即构建实时动态更新的多径热图。
33、进一步的，步骤2-2中所述的构建实时动态更新的多径热图，具体如下：
34、步骤2-2-1，构建增量数据集训练样本，具体如下：
35、根据当前历元定位载体的空间坐标，搜寻其在所述三维立体格网布局中所属的格网层，提取观测量中的输入特征，包括：伪距残差δ、载噪比c/n0、卫星高度角θe以及卫星方位角θa，得到增量训练样本，表示为：[δ,c/n0,θe,θa]c；
36、按照步骤1-1-4与步骤1-1-5中的方法进行反演和标定，得到增量数据集，表示为：[δ,c/n0,θe,θa,δρ]c；
37、按照步骤1-3中的方法，将增量数据集根据gps和bds星座类型和格网进行划分，得到gps增量数据集和北斗增量数据集，分别表示为：[δ,c/n0,θe,θa,δρ]c_gps_grid和[δ,c/n0,θe,θa,δρ]c_bds_grid；
38、步骤2-2-2，进行逐个格网的增量svr多径误差训练，得到原始的格网预测模型，具体包括：
39、确定原始训练数据集中的样本数据所属格网层，设所述三维立体格网布局中的六边形中心点为o，x轴和y轴分别对应enu坐标系下的e轴与n轴，通过以下两个条件进行判断：
40、条件1，yo≥l或
41、条件2，
42、仅当上述两式都满足时，判定该样本数据的位置(xo,yo)在格网柱内；
43、遍历原始训练数据集中的各个样本，将其划分到相应的格网柱内，根据原始训练数据集中各个样本的高度数据，将其划分到所属格网层，再进行逐个格网层的svr回归训练，得到svr预测规则，即原始的格网模型预测规则；
44、步骤2-2-3，更新原始的格网预测模型和预测规则，即根据步骤2-2-1中所述的增量数据集训练样本所属格网层，对相应格网层的svr预测规则进行更新优化，即将所述增量数据集训练样本逐个匹配到其所在格网层，引入多个新的训练样本与该格网层内原始训练样本一起进行增量训练，得到动态更新的svr预测规则，具体如下：
45、设增量数据集训练样本为xc，令拉格朗日乘子初始化条件δac＝0，利用当前svr预测规则，判断其是否违背上述kkt条件，并使新的优化问题重新满足kkt条件，即对当前svr预测规则进行更新，更新过程如下：
46、根据kkt条件，定义偏差系数θi和样本误差h(xi)分别为：
47、
48、与当前的svr预测规则联合，并依据是否支持向量和是否边界支持向量，把增量数据集训练样本集合成三个部分：
49、e集，即边界支持向量集合：
50、
51、s集，即支持向量集合：
52、
53、r集，即非支持向量集合：
54、r＝{i|θi＝0}
55、在进行增量训练的过程中，使用上述条件对新增样本进行筛选，当新增样本属于r集时，直接抛弃该样本，当该样本属于e集或s集时，留下该样本；
56、得到最终优化后的svr预测规则，如下：
57、
58、其中，f′为更新后的预测函数，是通过平衡判定获得的支持向量决定的最终的回归曲线，为通过批增量模式更新后的多径误差预测值；
59、步骤2-2-4，完成实时动态更新的多径热图构建，所述的实时动态更新的多径热图，包括：原始的格网预测模型和预测规则，以及更新后的格网预测模型和预测规则。
60、进一步的，步骤2-2-2中所述的进行逐个格网层的svr回归训练，具体包括：
61、设原始训练数据集的样本数为n，预测函数f(x)的预测值与多径误差真实值y之间预设的偏差阈值为ε，所述svr回归训练的目标为使预测函数的预测值与真实值之间的误差为最小，即通过求解如下优化问题实现：
62、
63、s.t.(ωt·x+b)-yi≤ε+ξi
64、
65、
66、其中，c为正则化系数，损失函数为xi表示第i组输入特征，x＝[δ,c/n0,θe,θa]，yi表示对应的第i组特征的多径误差真实值，ξi和表示引入的松弛变量，j表示特征数量，ω表示权重向量，b表示偏置，求和表示遍历所有数据点；
67、引入拉格朗日系数a并将上述优化问题转换为对偶形式后得到：
68、
69、
70、
71、根据如下kkt条件：
72、ai(f(xi)-yi-ε-ξi)＝0
73、
74、
75、非线性映射后得到svr预测规则为：
76、
77、其中，k(,)表示核函数运算，ai,为拉格朗日乘子。
78、进一步的，步骤3中所述的根据实时动态更新的多径热图进行辅助gnss/imu紧组合解算，具体包括：
79、步骤3-1，在极端天气救援状态下，从gnss接收机的原始观测量中提取输入特征和位置精度因子pdop值，并根据imu机械编排得到初始位置；
80、步骤3-2，调用所述的实时动态更新的多径热图，将所述初始位置匹配到所属格网层，进行位置解算，获得所述极端天气救援状态下载体的具体位置。
81、进一步的，步骤3-2中所述的位置解算，具体方法如下：
82、若位置精度因子pdop值大于或等于阈值，则不进行修正，直接进行gnss/imu紧组合卡尔曼滤波解算位置解，将该位置解作为最终解；
83、若pdop值小于阈值，则利用所述的格网预测模型预测伪距误差，并使用步骤2构建的增量式格网实时修正模型进行下一步修正。
84、进一步的，步骤3-2中所述的利用所述的格网预测模型预测伪距误差，具体包括：
85、提取相邻格网根据所述格网预测模型得到的多径误差值，为相邻格网分配权重wn，进行动态加权处理后得到最终多径误差预测值表示如下：
86、
87、其中，n表示相邻格网的格网预测模型编号，m表示相邻格网的格网预测模型数量；
88、采用多径误差预测值构建自适应因子f(·)，调节gnss/imu紧组合量测噪声矩阵rk，具体如下：
89、f(·)＝f(·)2
90、
91、其中，x＝[δ,c/n0,θe,θa]；
92、调整量测噪声矩阵rk后，根据卡尔曼滤波解算得到载体位置。
93、有益效果：
94、(1)本发明针对现有基于机器学习方法的区域格网多径建模方案在离线训练过程中样本单一退化影响预测效果的问题，构建增量数据集训练样本，通过对训练样本的增量处理，解决样本退化问题。在当前定位结果与先前增量数据处于同一格网并属于同一星座类型时，利用多个历元的定位结果，将增量训练样本作为批量训练数据样本与原始训练数据集一起进行逐个格网的增量svr(支持向量回归，support vector regression)训练，充分挖掘当前定位环境下信号特征和多径误差，持续接收并积累新数据，提升样本多样性。
95、(2)本发明针对现有基于机器学习方法的多径误差预测模型固定导致预测精度和实时性不足的问题，提出一种利用当前历元定位结果的时空信息更新格网预测模型的反馈机制，当格网预测模型质量无法满足需求时，该反馈机制会调取该历元的定位结果，并提取其中的时空信息，相应地对格网预测模型进行即时修正与优化，同时，在模型预测过程中将不断更新优化的格网模型与相邻格网进行动态加权处理，从单一格网模型预测转化为利用多个格网模型预测，实现格网预测模型的自适应更新，从而提高基于机器学习的格网多径误差预测模型在极端天气影响的城市环境下的精度和适应性。
1.一种用于极端天气救援的组合导航定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤1中所述的构建原始训练数据集，具体包括：
3.根据权利要求2所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤1-1中所述的标定训练数据集，具体如下：
4.根据权利要求3所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤1-2中所述的构建区域格网布局，具体包括：
5.根据权利要求4所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤2中所述的构建增量式格网实时修正模型，具体包括：
6.根据权利要求5所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤2-2中所述的构建实时动态更新的多径热图，具体如下：
7.根据权利要求6所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤2-2-2中所述的进行逐个格网层的svr回归训练，具体包括：
8.根据权利要求7所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤3中所述的根据实时动态更新的多径热图进行辅助gnss/imu紧组合解算，具体包括：
9.根据权利要求8所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤3-2中所述的位置解算，具体方法如下：
10.根据权利要求9所述的一种用于极端天气救援的组合导航定位方法，其特征在于，步骤3-2中所述的利用所述的格网预测模型预测伪距误差，具体包括：
