原創 劉志丹 深大計算機與軟體學院 2022-10-29 19:01 發表于廣東
DeepGPS: Deep Learning Enhanced GPS Positioning in Urban Canyons
Zhidan Liu Jiancong Liu Xiaowen Xu Kaishun Wu
Shenzhen University
導讀
論文DeepGPS: Deep Learning Enhanced GPS Positioning in Urban Canyons 将發表在移動計算頂級期刊 IEEE Transactions on Mobile Computing上，由深圳大學計算機與軟體學院物聯網研究中心完成。
項目首頁：
https://github.com/bducgroup/DeepGPS
該工作提出了一個基于深度學習的高精度GPS定位系統，融合了定位周邊環境因素（GPS初始位置周圍的建築高度和道路分布）、定位時間以及GPS衛星狀态，以描述定位的上下文資訊，并利用神經網絡模型從大量标記的GPS定位樣本學習GPS定位上下文資訊和GPS估計之間隐式的複雜關系。該系統能在城市峽谷中顯著提高GPS性能。
引言
全球定位系統（Global Positioning System，簡稱GPS）廣泛運用在日常生活的許多應用中，如導航、共享出行和其他基于位置的服務。雖然GPS在大多數地區的使用效果良好，但由于非視距（Non-Line of Sight，簡稱NLOS）衛星的信号反射，其在城市峽谷的定位性能較差。城市峽谷中GPS定位誤差大的根本原因是複雜動态的城市環境，特别是高層建築對衛星信号的反射（如圖1所示）。是以，該工作中假設GPS的定位性能與GPS接收器周圍的環境之間存在某種關系。這種假定是合理性的：一方面，對于由一對經緯度表示的給定位置，其周邊環境因素對衛星信号的影響是長期一緻的。另一方面，GPS衛星按一定周期有規律地運作，是以它們的位置是可以預測的。該工作則利用強大的深度神經網絡來逼近該關系映射函數，以更好地描述 GPS 估計與定位環境（包括城市環境、衛星分布等）之間的複雜關系。
圖1. 城市峽谷中多路徑和NLOS的衛星信号
技術貢獻
本工作主要貢獻如下：
- 本文提出的DeepGPS是第一個通過學習不同的定位環境和GPS定位之間隐含關系來校正位置、提高城市峽谷中GPS定位精度的系統。
- 本文基于編碼器-解碼器（Encoder-Decoder）網絡結構設計并實作了一個基于深度學習的高精度GPS定位系統，該系統可以準确預測定位錯誤，并從錯誤的GPS估計和多源資料中校正位置。
- 本文将環境資訊編碼到一個新提出的限制掩碼器中，進一步改善了神經網絡模型，并提出了一個移動模型以實作連續定位。
方法介紹
DeepGPS的總體結構如圖2所示。總體上，DeepGPS融合了城市峽谷中影響GPS定位的多個因素，以相同大小的矩陣表示它們；基于編碼器-解碼器（Encoder-Decoder）網絡設計，從輸入矩陣中提取潛在特征，然後對給定的GPS估計同時預測定位誤差和校正位置。
圖2. DeepGPS的總體結構
具體來說，多源資料融合子產品（Input Representation）将周邊環境（GPS估計的周圍道路、建築物等資訊）、衛星狀态和定位時間等資訊考慮在内并将其統一用矩陣表示。DeepGPS采用編碼器-解碼器網絡模型來實作深度神經網絡來逼近映射函數，該模型以衛星狀态、時間戳和周邊環境的三個表示矩陣作為輸入，利用編碼器-解碼器網絡模型同時預測定位誤差區間和正确位置。編碼器的目标是從輸入矩陣中提取高層特征，而距離解碼器和位置解碼器則分别使用編碼器輸出的特征圖來生成距離機率向量和位置機率矩陣。對于每個GPS定位執行個體，距離機率向量表示該GPS估計可能的定位誤差，而位置機率矩陣表示該GPS估計校正後的位置。此外，該系統從環境矩陣中建構限制掩碼器（Constraint Mask），從可達區域中過濾掉不可能的位置，并輸出最終矩陣，其中值最大的位置就是最終解。此外，該系統維護一個從使用者的最新移動位置中學習的移動模型，并利用該模型來改進輸出以實作高效的連續定位。
接下來将具體介紹每個資料源轉換為矩陣表示的過程。
（1）周邊環境轉換為環境矩陣（圖3）
當需要定位時，GPS 接收器将以（緯度，經度）的形式提供估計位置，并提供估計位置的不确定性誤差。理論上，實際位置會在以估計位置為中心、半徑為不确定性誤差的圓内。本文将考慮到周圍的環境，包括周邊建築物的高度、布局以及周邊道路的地理分布，并将這些資訊轉換為環境矩陣。
圖3. (a) 根據給定估計位置和最大誤差距離構成的正方形區域；(b) 環境矩陣表示(a) 中正方形區域内的環境因素
（2）衛星狀态轉換為天空圖矩陣（圖4）
除了估計位置外，GPS接收機還可以提供定位時GPS衛星的狀态資料，其中包括每顆衛星的高度角、方位角以及信噪比，根據GPS衛星的狀态資料，可以繪制一個天空圖（Skyplot）來說明給定地面站點上的GPS衛星的幾何分布。天空圖是衛星狀态的有效表示，以前的工作通常利用天空圖過濾掉NLOS衛星，或者在3D城市模型的幫助下進行基于陰影比對的位置校正。是以本文将天空圖轉換為天空圖矩陣來表示衛星狀态以作為模型的輸入。
圖4. (a) GPS接收器“看到”的天空圖；(b) 由(a) 的天空圖轉換而來的天空圖矩陣
（3）時間戳轉換為時間戳矩陣（圖5）
一般來說，GPS定位執行個體的時間戳被表示為一長串數字。根據GPS衛星的運作規則，每顆衛星每12小時繞地球運作一圈，這意味着理論上它會周期性地回到同一地點。
但是，由于地球同時自轉，在一個軌道周期後，同一位置的衛星到GPS接收器的相對位置可能會不同。固定位置的GPS接收器在一個重訪周期後會再次“看到”同一顆衛星。是以，根據衛星的重訪周期，由時間戳生成時間戳矩陣。
圖5. 将時間戳轉換為時間戳矩陣的MLP模型
結果展示
圖6展示了三個完整的軌迹，即地面真實軌迹、智能手機軌迹和DeepGPS的校正軌迹。DeepGPS系統将平均定位誤差從12.3米減少到5.2米，顯著提高了城市峽谷區域内GPS的定位精度。
圖6. 對智能手機記錄的軌迹、校正後軌迹和實際軌迹的比較
圖7展示了一個具體的例子，本系統正确地校正了GPS估計。如圖7(a)所示，由于周圍建築物的影響，GPS錯誤地将使用者定位在鄰近的路段上。本文還展示了該路段對應的全景圖，如圖7(b)所示，這正是測試城市中的一個典型的城市峽谷地區。
圖7. (a) 某樣本顯示在環境矩陣上的校正前後位置與真實位置； (b) 某樣本對應的全景圖
總結展望
智能終端上的GPS晶片能很友善獲得目前位置，在大多數地方運作良好，但在城市峽谷中由于受到非視距衛星信号反射和多徑幹擾的影響，定位精度會極大地降低。本文提出了DeepGPS，其利用編碼器-解碼器網絡模型預測每一個錯誤的 GPS 估計的正确位置。更具體地說，DeepGPS融合了影響城市峽谷 GPS 精度的多個因素（建築高度、道路分布、時間以及GPS衛星狀态），并通過兩個并行解碼器以預測定位誤差和正确的定位位置。DeepGPS系統的實作已經公開，以期更多的後續工作。基于大規模公共汽車軌迹資料集和實地采集的 GPS 資料集的大量實驗表明，本系統可以顯著提高城市峽谷的 GPS定位精度。
思考讨論
以下是開放型問題，歡迎各位讀者交流讨論：
Q: 該方法在糾正連續定位時，是使用移動掩碼器（Mobility Mask）過濾掉不可通路的候選位置，可能會發生錯誤篩選，是否有更好的辦法進一步增強連續定位的性能？
深圳大學計算機與軟體學院
物聯網研究中心
The loT Research Center
重點研究智能物聯網技術，推出新型非接觸式泛在感覺系統，開辟了該方向的一系列創新研究，榮獲廣東省科學技術一等獎和教育部自然科學二等獎。
官網位址：http://www.futurenet.ac.cn/
轉載申請
聯系電話：0755-26534078
聯系郵箱：[email protected]