來奇峰，袁 洪，魏東巖, 李 濤

(1.中國科學院空天信息創(chuàng)新研究院，北京 100094； 2.中國科學院大學，北京 100864; 3. 空軍裝備部駐北京地區(qū)第二軍事代表室，北京 100074)

0 引言

目前，全球衛(wèi)星導航系統(tǒng)(Global Navigation Satellite System, GNSS)作為主流的室外定位解決方案，在車輛定位中發(fā)揮了重要的作用。然而，GNSS具有天然的脆弱性，在城市環(huán)境中其定位信號容易受到樓宇、高架橋及樹木等的遮擋造成定位性能下降；而在隧道等室內(nèi)環(huán)境下，由于幾乎無法收到衛(wèi)星信號，從而導致定位中斷。因此，單純依賴GNSS無法保證對車輛的連續(xù)、可靠定位服務[1-2]。慣性導航系統(tǒng)(Inertial Navigation System, INS)通過感知載體的加速度和角速度進行位置推算，在GNSS短時失效的情況下，可輔助GNSS提供持續(xù)的位置信息，從而提高了車輛定位系統(tǒng)的連續(xù)性和可靠性。

國內(nèi)外學者在改進GNSS/INS車輛組合定位方法方面做了大量的研究工作。主要的研究方向有：1)加強GNSS/INS組合深度，由最初的基于位置量的松組合到基于觀測量的緊組合[3]，再到后來由INS輔助接收機載波環(huán)路跟蹤的超緊組合(深耦合)[4]；2)改進濾波方法，由傳統(tǒng)的線性Kalman濾波器(Kalman Filter, KF)[5]，到擅長處理非線性問題的粒子濾波(Particle Filter, PF)、無跡Kalman 濾波(Unscented Kalman Filter, UKF)[7]，再到用于提高模型準確度的交互式多模型(Interacting Multiple Model, IMM)濾波器[8]等；3)動態(tài)調(diào)節(jié)濾波器參數(shù)，主要是通過調(diào)節(jié)系統(tǒng)方差和量測方差，降低觀測量異常對組合濾波器的影響。其中第三類方法對于各種不同的組合模式和濾波方法具有普適性。文獻[9]提出了一種自適應實時調(diào)整濾波器參數(shù)的方法，通過監(jiān)測濾波器中新息參數(shù)的變化來捕獲GNSS異常，進而調(diào)整預測信息與量測信息在組合結(jié)果中的權(quán)重，降低GNSS異常對系統(tǒng)的影響，提高了組合系統(tǒng)性能。但是，該方法在權(quán)重調(diào)整的過程中，需要人為設置調(diào)整規(guī)則，如果不合理則會引起系統(tǒng)發(fā)散或者精度下降。文獻[10]利用高斯過程估計濾波器參數(shù)，該方法需要事先對濾波器的預測狀態(tài)和真值、量測模型與真值之間的殘差進行高斯過程學習，實時定位過程中再利用訓練得到的高斯過程模型預測系統(tǒng)方差和量測方差，從而實現(xiàn)了參數(shù)的實時調(diào)整。該方法實時定位時需要將訓練數(shù)據(jù)作為高斯過程的輸入進行實時方差估計，訓練數(shù)據(jù)太少則無法準確描述模型，而訓練數(shù)據(jù)太多會增加計算量。文獻[11]提出了利用模糊邏輯對衛(wèi)星的載噪比和空間分布進行分析，通過估計濾波器量測方差的方法來調(diào)整濾波參數(shù)。該方法直接使用了GNSS原始觀測量信息，與只用GNSS位置信息相比增加了信息量，有助于系統(tǒng)性能提升，但是該方法需要人為設置多項邏輯判斷的門限，實際應用起來不是很方便，也可能會引入人為誤差。

對于上述通過調(diào)整濾波參數(shù)提高組合定位性能的方法，主要思想是降低GNSS異常對組合系統(tǒng)的影響。而GNSS定位效果很大程度與其所處的環(huán)境有關，例如在開闊環(huán)境下GNSS定位精度高且穩(wěn)定，而高樓遮擋環(huán)境下GNSS精度下降且異常定位點增加。有學者提出了這種環(huán)境因素實際可以視為一種場景信息，而場景信息對于多傳感器融合定位具有重要意義[12]。文獻[13]提出了一種基于場景識別的視覺輔助全球定位系統(tǒng)(Global Positio-ning System, GPS)行人定位方法，利用樸素貝葉斯機器學習方法實現(xiàn)了手中擺動、閱讀、靠近耳朵等終端狀態(tài)的識別以及室內(nèi)、外環(huán)境識別。通過網(wǎng)絡本體語言方式，利用場景信息對應選擇定位中的航向、尺度因子以及源，實現(xiàn)結(jié)果表明場景信息顯著提高了定位精度。文獻[14]提出了一種基于室內(nèi)合作場景智能識別的行人定位方法，通過隨機森林算法對行人在室內(nèi)平地步行、上樓梯、下樓梯等不同步態(tài)進行訓練與辨識，并利用場景對行人導航的結(jié)果進行校準。另有文獻[15]將場景劃分為室內(nèi)、室外、半室外，利用手機獲取GNSS、地磁、光及通信信號等各原始觀測量，通過分析原始觀測量與場景的關系推理得到專家知識庫用于場景檢測，由試驗結(jié)果得到場景檢測方法與真實場景基本一致。文獻[16]也提出了一種室內(nèi)和室外場景檢測方法，主要通過提取衛(wèi)星幾何分布、衛(wèi)星數(shù)、幾何精度因子(Dilution of Precision, DOP)以及載噪比等特征量，結(jié)合堆棧式機器學習模型和隱馬爾可夫模型(Hidden Markov Model, HMM)進行室內(nèi)、室外場景檢測，檢測率達到92%以上?，F(xiàn)有的研究成果主要集中于場景檢測方法及場景檢測輔助行人定位，而場景輔助車輛導航的文獻比較少見。

為了提高車輛組合系統(tǒng)的定位性能，本文設計了一套基于場景檢測的GNSS/INS組合定位策略與方案，提出了以多星GNSS觀測量的八類特征為輸入，利用支持向量機(Support Vector Machines, SVM)分類思想將定位場景分為室外開闊、室外遮擋和室內(nèi)三種類型，并建立了與之相適應的組合濾波量測誤差估計模型，進而實現(xiàn)了GNSS單點定位(Single Point Positioning, SPP)與INS組合定位。該方法將場景信息用于濾波器量測誤差估計，與僅利用場景進行定位源或者定位參數(shù)切換相比，無需定義各種切換規(guī)則，場景信息應用更加靈活。另外，該方法利用GNSS誤差定義場景標簽，相比以往場景定義，給出了場景與GNSS信號質(zhì)量的定量關聯(lián)性。同時，該方法將載噪比標準差均值和方位角空缺度作為場景特征，能夠反映出相對于室外開闊場景，室外遮擋場景GNSS信號載噪比波動較大且低仰角衛(wèi)星分布聚集的特點，有助于該兩類場景的正確分類。在實際應用中，該方法可以預先利用具有一定精度水平的位置基準作為參考，將車輛定位實際使用的接收機與基準進行比對，生成場景標簽，用于場景建模訓練。在車輛定位過程中，基于場景模型進行場景檢測，并輔助調(diào)整濾波器參數(shù)，以提升組合定位性能。

1 室內(nèi)外場景檢測方法

1.1 方法描述

本文設計的場景檢測方法在實際應用中分為2個階段，一是場景建模訓練階段，二是場景預測階段。第一階段采用滿足一定精度要求的位置基準，如高精度的GNSS/SINS組合系統(tǒng)，在不同的行駛環(huán)境下，對車輛定位中實際使用的GNSS接收機進行誤差標定，形成場景標簽。利用場景標簽和與GNSS相關的特征量進行場景建模訓練，如圖1所示。場景建模訓練主要包含3個模塊：場景特征提取、場景標記及模型訓練，而GNSS原始觀測量采集及SPP解算主要是為場景模型訓練提供數(shù)據(jù)支撐。

其中，場景特征提取模塊獲取GNSS原始觀測量，即衛(wèi)星數(shù)和載噪;以及GNSS定位解算的過程量，即位置精度因子(Position Dilution of Precision, PDOP)、衛(wèi)星方位角和仰角。通過場景特征提取得到三類特征量：第一類是單量，是指某一歷元時刻的衛(wèi)星數(shù)、PDOP以及載噪比均值，即對所有可視衛(wèi)星載噪比取均值；第二類是標準差，是在一定時間窗口(4s)內(nèi)統(tǒng)計衛(wèi)星數(shù)、PDOP及各可視衛(wèi)星的載噪比標準差，同時，要對所有可視衛(wèi)星的載噪比標準差取均值；第三類是幾何量，是利用可視衛(wèi)星的空間分布得到衛(wèi)星仰角均值及方位角空缺度，具體含義在1.2節(jié)介紹。

場景標記的操作不是根據(jù)地理位置進行人為打標記，而是利用車輛定位中實際使用的GNSS接收機定位誤差大小來判斷某一歷元時刻是否為室外開闊、室外遮擋或室內(nèi)場景，GNSS定位誤差由高精度基準信息對GNSS定位結(jié)果進行評估得到。

模型訓練需要準備訓練數(shù)據(jù)集，數(shù)據(jù)集中每個樣本點包含場景特征量和場景標簽。開始訓練前首先要對樣本特征量進行數(shù)據(jù)缺失填補及數(shù)據(jù)標準化等特征預處理，保證特征的有效性。然后利用線性SVM分類器進行場景模型訓練，從而得到場景模型。

圖1 場景模型訓練架構(gòu)Fig.1 Context model training structure

第二階段的場景預測是指車輛實際定位中利用GNSS接收機得到場景特征量，并結(jié)合第一階段的場景模型進行實時場景檢測與分類。場景預測的輸入也可以稱為測試集，測試集中每個樣本點僅僅包含當前時刻的場景特征量，場景模型根據(jù)樣本點特征量可以預測并輸出場景結(jié)果，具體如圖2所示。其中，場景特征量提取和特征預處理與第一階段場景模型訓練一致。

圖2 場景測試架構(gòu)Fig.2 Context testing structure

1.2 場景標記

1.1節(jié)提到將場景劃分為室內(nèi)、室外開闊、室外遮擋三種，通常情況下，在室外開闊場景中，可視衛(wèi)星情況良好，GNSS定位精度高；在室外遮擋場景中，部分衛(wèi)星信號被高樓、樹木等遮擋，GNSS定位性能下降，定位不連續(xù)；在室內(nèi)場景中，無法接收到衛(wèi)星信號進行定位解算。本節(jié)利用GNSS單點定位誤差量對每個樣本點標記場景標簽，由于場景標簽可用于前期場景訓練，因此GNSS單點定位誤差量也可以由事先采集的高精度基準數(shù)據(jù)評估得到。場景標簽的規(guī)則為

(1)

圖3 在地圖中顯示室外開闊和室外遮擋場景中， GNSS定位結(jié)果及其對應時刻樣本場景標簽Fig.3 GNSS positioning result and its context label at corresponding moment in open and occlusion outdoor contexts

1.3 場景特征提取

場景特征量是從GNSS原始觀測量和GNSS單點定位過程量中提取的，場景檢測的精度依據(jù)于特征量的質(zhì)量，是否能夠區(qū)分不同場景。本文提取的特征量如表1所示。

表1 特征量列表

接下來，具體分析特征量變化趨勢與場景變化的一致性，在圖3所示道路中采集GNSS原始觀測量進行特征量分析。圖4所示為GNSS衛(wèi)星數(shù)及其標準差與場景之間的對應關系，可以看出在室外開闊場景中，衛(wèi)星數(shù)基本高于20顆衛(wèi)星，且衛(wèi)星數(shù)標準差相對平穩(wěn)；在室外遮擋環(huán)境中，由于信號遮擋，導致衛(wèi)星數(shù)下降，標準差起伏較大；室內(nèi)場景衛(wèi)星數(shù)為0，標準差無意義，將其預處理為負值。由此可見，GNSS衛(wèi)星數(shù)及其標準差特征適于區(qū)分場景。

圖4 GNSS衛(wèi)星數(shù)及其標準差在不同場景中的表現(xiàn) (淺綠色區(qū)間為室外開闊，深綠色區(qū)間為室外遮擋，白色為室內(nèi))Fig.4 GNSS satellite number and its standard deviation in different contexts(The light green area means open outdoor, the dark green area means obstruction outdoor, and the white area means indoor)

GNSS的PDOP及其標準差和場景之間的對應關系如圖5所示，可以看出在室外開闊場景中，PDOP基本小于2，其標準差平穩(wěn)；在室外遮擋環(huán)境中，由于衛(wèi)星構(gòu)型變差，PDOP明顯上升，其標準差起伏較大；室內(nèi)場景無PDOP，為了填補樣本特征的缺失，對PDOP及其標準差賦予負值。同樣，GNSS的PDOP及其標準差特征適于區(qū)分場景。

圖5 GNSS PDOP及其標準差在不同場景中的表現(xiàn) (淺綠色區(qū)間為室外開闊，深綠色區(qū)間為室外遮擋，白色為室內(nèi))Fig.5 GNSS PDOP and its standard deviation in different contexts (The light green area means open outdoor, the dark green area means obstruction outdoor, and the white area means indoor)

GNSS載噪比均值是指在單一樣本點時刻所有衛(wèi)星載噪比的均值。載噪比標準差均值是指當單顆衛(wèi)星在連續(xù)4個樣本點時刻可視時，求解其載噪比標準差，然后對所有衛(wèi)星載噪比標準差取均值，反映了衛(wèi)星在遮擋環(huán)境下載噪比波動。這2個特征和場景之間的對應關系如圖6所示，可以看出在室外開闊場景中，載噪比均值相對較低，載噪比標準差均值相對平穩(wěn)；在室外遮擋場景中，由于低仰角衛(wèi)星被遮擋，載噪比均值相對較高，載噪比標準差均值起伏較大；室內(nèi)場景無載噪比，為了補償樣本特征的缺失，對該2個特征賦予負值。同樣，GNSS的載噪比均值及其標準差均值特征適于區(qū)分場景。

圖6 GNSS載噪比均值和載噪比標準差 均值在不同場景中的表現(xiàn)(淺綠色區(qū)間為室外 開闊，深綠色區(qū)間為室外遮擋，白色為室內(nèi))Fig.6 GNSS C/N means and C/N standard deviations means in different contexts(The light green area means open outdoor, the dark green area means obstruction outdoor, and the white area means indoor)

GNSS方位角空缺度是指，在單一樣本點時刻無可視衛(wèi)星的方位角區(qū)間范圍，如圖7所示，可以看到66號衛(wèi)星和106號衛(wèi)星之間無可視衛(wèi)星，方位角空缺度為137.5°。與PDOP考慮仰角高于10°的所有可視衛(wèi)星不同，該特征只考慮了仰角在10°～60°范圍內(nèi)的可視衛(wèi)星，原因是在室外遮擋區(qū)域，GNSS單點定位精度低，利用其計算的高仰角可視衛(wèi)星的方位角不是很準確。方位角空缺度及俯仰角均值和場景之間的對應關系如圖8所示，可以看出在室外開闊場景中，最大缺失間隔基本在60°～100°左右，仰角均值在40°左右；在室外遮擋環(huán)境中，方位角空缺度向360°偏移，低仰角衛(wèi)星被遮擋，仰角均值比較高；室內(nèi)場景無該特征，為了補償樣本特征的缺失，對其賦予負值。同樣，GNSS的方位角空缺度及仰角均值特征適于區(qū)分場景。

圖7 方位角空缺度說明(137.5°)Fig.7 Azimuth vacancy (137.5°)

圖8 GNSS方位角空缺度和仰角均值在不同場景中的表現(xiàn) (淺綠色區(qū)間為室外開闊，深綠色區(qū)間為室外遮擋，白色為室內(nèi))Fig.8 GNSS azimuth vacancies and elevation means in different contexts (The light green area means open outdoor, the dark green area means obstruction outdoor, and the white area means indoor)

1.4 場景檢測

場景檢測實際是一個場景分類問題，本文采用線性SVM分類器進行場景建模和場景預測。該分類方法的目標是求解能夠正確劃分訓練樣本集且?guī)缀伍g隔最大的分離超平面。該算法的優(yōu)點在于：一是有嚴格的數(shù)學推導，分類精度一般比較高；二是SVM算法輸出的權(quán)重參數(shù)能夠反映特征重要性，以及用于特征量分析；三是由樣本到分離面的距離可以得到分類的概率，該概率值反映了場景分類的可信度。其原理如圖9所示。

圖9 SVM分類方法原理Fig.9 Support vector machine classification theory

假定特征空間上的訓練樣本集為

T={(X1,y1),(X2,y2),…,(XN,yN)}

(2)

其中，Xi∈Rn，Xi為第i個樣本的場景特征量，n為特征維度(場景特征維度為8，見表1)；yi為標簽，對于二分類問題，yi∈{+1,-1};N為樣本點總數(shù)。場景建模中，ωTX+b=0為待求分離超平面。分類器的目標函數(shù)為

(3)

求解參數(shù)ω和b使得場景分類間隔最大，因此，ω和b是場景模型的2個關鍵參數(shù)。同時，為了解決分類中的異常點問題，如實際屬于室外遮擋場景的樣本點，其特征有可能與室外開闊場景的樣本點特征更相像。在目標函數(shù)中引入了松弛量ξi來表示樣本點i允許偏離所示分類區(qū)域的量。C>0是一個懲罰參數(shù)，控制目標函數(shù)中松弛量的權(quán)重。C越大，對松弛量的懲罰越大，但是C過大容易引起過擬合。因此，懲罰參數(shù)的設置需要在場景建模時利用訓練數(shù)據(jù)根據(jù)分類精度逐步調(diào)整到最優(yōu)值。場景預測函數(shù)為

yi=sign(ωTX+b)

(4)

SVM場景檢測輸出結(jié)果為yi∈{+1,-1}，但是，前面提到樣本點到超平面的距離還隱含了一個重要的信息：當樣本點偏離了真實類的特征空間，距離超平面越來越近，那么該樣本點屬于真實類的可能性越小。因此，樣本點到超平面的函數(shù)距離實際反映了從屬于某類場景的概率。文獻[17]利用sigmoid-fitting方法，將這種函數(shù)距離映射為后驗概率。于是，場景檢測的結(jié)果也可以表達為各場景標簽及其對應概率。

另外，SVM分類器主要解決二分類問題，而本文為三種類型，即室外開闊、室外遮擋及室內(nèi)三種場景。對于多分類問題，采用兩兩分類方法，共產(chǎn)生三種分類器，室外開闊-室外遮擋、室外遮擋-室內(nèi)及室外開闊-室內(nèi)，分別得到3個分類結(jié)果，3個分類器中累計得分最高的一類作為最終分類結(jié)果。

2 基于場景檢測的車輛組合定位方法

基于場景檢測的GNSS/INS車輛組合定位算法設計如圖10所示，在傳統(tǒng)GNSS/INS松組合算法的基礎上增加了特征提取、場景檢測及量測噪聲估計模塊，以提高組合系統(tǒng)定位性能。其中，特征提取是指從GNSS數(shù)據(jù)中提取八類場景特征(具體見表1)。場景檢測是指利用訓練得到場景模型進行當前場景預測。量測噪聲估計是指利用場景檢測結(jié)果進行當前時刻GNSS量測誤差估計，該值將用于實時調(diào)整組合濾波系統(tǒng)的量測方差R。

圖10 基于場景檢測的GNSS/INS車輛組合定位算法結(jié)構(gòu)Fig.10 Context-aware based GNSS/INS integration algorithm structure

本文車輛組合定位系統(tǒng)的狀態(tài)方程和量測方程為

Xk=φk,k-1Xk-1+Γk,k-1Wk

(5)

Zk=HkXk+Vk

(6)

Φ=

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

系統(tǒng)噪聲Wk對應的方差為

(19)

其中，wdb1×3和web1×3為陀螺和加速度計的隨機游走;sqg1×3和sqa1×3為陀螺和加速度計的高斯馬爾可夫噪聲強度。量測噪聲Vk對應的方差為Rk。

圖10中，量測噪聲估計需要場景結(jié)果以及GNSS定位誤差在不同場景中的經(jīng)驗值。本文提到的場景有三類：室外開闊、室外遮擋和室內(nèi)場景{context0，context1，context2}，場景檢測結(jié)果對每個樣本點都會輸出3個后驗概率{P0，P1，P2}，分別對應三類場景。假設室外開闊特征比較明顯，P0概率較高，接近于1，而P1和P2概率較低，接近于0。根據(jù)不同場景中GNSS誤差統(tǒng)計結(jié)果得到經(jīng)驗值為：室外開闊2m；室外遮擋10m；室內(nèi)無法定位，為了便于數(shù)學處理，將其設置為100m(表示GNSS不可用狀態(tài))。GNSS的精度經(jīng)驗值用{E0，E1，E2}表示?？紤]到三類場景對應的概率分別為{P0，P1，P2}，且P0+P1+P2=1，因此量測誤差近似表達為三類場景對應誤差特性的加權(quán)和

(20)

按照公式描述，假設對于某樣本點場景檢測的后驗概率是{1.0，0，0}，說明在室外開闊場景的概率為100%，那么GNSS誤差估計結(jié)果是2m；假設后驗概率為{0.8，0.19，0.01}，可以得到誤差估計結(jié)果是4.5m，受室外場景遮擋概率的影響，估計誤差變大。GNSS量測誤差估計結(jié)果可以用于調(diào)整組合濾波器中的量測方差，使得量測方差在一定程度上能夠?qū)崟r反映GNSS量測誤差的變化，量測方差表達為

Rk=

(21)

式(21)中3個量分別為緯度、經(jīng)度和高度誤差對應的量測方差，其中，Re為地球半徑，Lan為緯度。由于組合濾波器的狀態(tài)量包含緯度和經(jīng)度誤差，且該兩項誤差的單位為弧度。因此，為了得到對應的量測方差，需要將場景估計得到的以m為單位的經(jīng)度和緯度量測誤差除以地球半徑，轉(zhuǎn)換為弧度。

3 測試

圖11 試驗平臺圖Fig.11 Test platform with GNSS and IMU

在圖3所示道路上采集測試數(shù)據(jù)進行定位算法驗證，試驗路線如圖12所示，試驗時間773s，黑色為行進軌跡，星號為起點，圓圈為終點。該軌跡覆蓋了室外開闊、室外遮擋以及室內(nèi)場景，如圖3所示。為了進一步說明場景的復雜性，將GNSS單點定位結(jié)果覆蓋在軌跡上，綠色點和紅色點均為衛(wèi)星單點定位結(jié)果，綠色點表示衛(wèi)星定位精度較高的點，該點所處區(qū)域比較開闊；紅色點表示衛(wèi)星定位精度較差的點，該點所處區(qū)域高樓遮擋嚴重；在地下車庫無法收到衛(wèi)星信號，無GNSS單點定位結(jié)果。

圖12 試驗路線圖Fig.12 Test trail

開展測試之前需要準備訓練數(shù)據(jù)集，訓練數(shù)據(jù)與定位測試數(shù)據(jù)不是同一組數(shù)據(jù)，分2天采集，由于訓練數(shù)據(jù)也在圖3所示道路上采集，該路段既有開闊環(huán)境，也有典型的高樓遮擋場景，共生成約1807個樣本點，每個樣本點含場景標簽和八項特征量。

在場景模型訓練中，通過對不同的SVM核函數(shù)進行分類精度分析，最終得到了線性核函數(shù)更適于解決本文的場景檢測問題。另外，利用場景模型的特征權(quán)重參數(shù)可以分析各特征的重要性，如圖13所示，可以看出衛(wèi)星數(shù)和載噪比均值對場景檢測結(jié)果的貢獻相對較大。

圖13 場景特征重要性Fig.13 Feature importance in context aware

在場景檢測中，對測試集的場景預測精度為90.3%，基本能夠正確識別場景。為了便于直觀看到分類的效果，選取重要性高的前兩項特征作為橫坐標和縱坐標，在二維平面中顯示場景檢測結(jié)果，如圖14所示。各色塊表示場景模型，即利用模型訓練得到的超平面對特征空間進行劃分，其中，黃色區(qū)域表示室外開闊場景，淺藍色區(qū)域表示室外遮擋場景，棕色區(qū)域表示室內(nèi)場景。各圓圈的顏色表示樣本標簽，綠色點表示標簽為室外開闊的樣本點，紫色點表示標簽為室外遮擋的樣本點，紅色點表示標簽為室內(nèi)的樣本點。假設綠色標簽的樣本點出現(xiàn)在黃色區(qū)域，則表示分類正確；出現(xiàn)在藍色區(qū)域，則表示分類錯誤。雙層圈的點表示SVM。由圖14可以看到，各類別基本分類正確，室外開闊和室外遮擋場景之間存在少數(shù)分類錯誤的情況，而室內(nèi)特征分類基本無誤。雖然在室外開闊和遮擋之間出現(xiàn)了分類錯誤，將部分實際定位精度優(yōu)于門限的樣本點歸入室外遮擋場景，將部分實際定位精度劣于門限的樣本點歸入室外開闊場景，但總體的比例低于10%，在一定程度上仍然確保了利用GNSS校準慣性器件漂移誤差的有效性。

圖14 場景檢測結(jié)果Fig.14 Context aware result

場景分類概率如圖15所示，場景檢測結(jié)果為每個樣本點輸出分別屬于三類場景的概率：藍色表示屬于室外開闊場景(Context0)的概率，紅色表示屬于室外遮擋場景(Context1)的概率，黃色表示屬于室內(nèi)場景(Context2)的概率，3個概率的和為1。另外，圖15中，淺綠色區(qū)間表示實際的室外開闊場景，深綠色區(qū)間表示室外遮擋場景，白色區(qū)間表示室內(nèi)場景?？梢钥闯?，在室外開闊場景，藍色點概率值較高；在室外遮擋場景，紅色點概率值較高；在室內(nèi)場景，黃色點概率基本為1，表明了分類概率能夠表達預測場景標簽的可信度。

圖15 場景分類概率圖Fig.15 Probability of three types of contexts

利用場景估計的GNSS量測誤差如圖16所示，紅色點線是真實的GNSS量測誤差序列，利用高精度基準評估得到，藍色點線是場景估計的GNSS量測誤差序列，可以看出在室外兩者趨勢基本一致，估計的量測誤差近似可以反映GNSS誤差特點。

圖16 GNSS真實誤差與場景估計量測誤差的對比Fig.16 Comparison between GNSS real error and error predicted by context aware

為了驗證場景檢測在GNSS/INS組合定位中的作用，將本文基于場景調(diào)整量測方差的方法與未進行方差調(diào)整的GNSS/INS松組合方法進行比較，定位誤差如圖17所示。如表2所示，未調(diào)整方差的組合定位方法水平速度誤差為0.3m/s(67%)，水平位置誤差為11.23m(67%);而本文提出的方法水平速度誤差為0.3m/s(67%)，水平位置誤差為8.59m(67%)?？梢缘玫?利用場景檢測估計量測誤差并調(diào)整濾波系統(tǒng)量測方差的方法能夠明顯提升GNSS/INS組合定位性能。

(a)基于場景調(diào)整量測方差

(b)未調(diào)整量測方差圖17 GNSS/INS組合定位速度和位置誤差序列Fig.17 Position (Pos) and velocity (Vel) errors (ERR) of the GNSS/INS integration with and without measurement variance adjustment by context aware

表2 GNSS/INS組合方法誤差比較

4 結(jié)論

為了提升城市環(huán)境下GNSS SPP與INS組合定位性能，本文提出了一種基于場景檢測的GNSS/INS車輛組合定位方法，提取八類GNSS場景特征，利用SVM分類思想進行室外開闊、室外遮擋和室內(nèi)場景分類，并且建立與場景相適應的量測誤差估計模型，進而輔助GNSS/INS組合濾波。該方法通過分類概率將離散場景信息轉(zhuǎn)換為連續(xù)的GNSS量測誤差估計量，進而調(diào)整濾波器量測方差,以提高GNSS/INS組合定位性能。同時，該方法利用當前時刻的GNSS誤差給場景定義標簽，使場景標簽不再僅僅由地理位置決定，更多反映了當前時刻GNSS信號質(zhì)量和分布特性。

本文通過采集真實數(shù)據(jù)對上述方法進行了測試驗證，試驗結(jié)果可得針對773個測試樣本點，場景檢測精度為90.3%；進一步對比了利用場景估計GNSS量測誤差與真實GNSS量測誤差，可以得到估計誤差與真實誤差的變化特性基本一致；最后，對比了未調(diào)整量測方差的GNSS/INS松組合算法與本文提出的基于場景檢測的GNSS/INS車輛組合定位算法的定位結(jié)果，可以看出加入場景檢測后的組合定位精度有明顯提升，驗證了本文提出的組合定位方法的有效性。