劉江，譚思倫，蔡伯根，王劍,1b,2

(1.北京交通大學(xué)，a.電子信息工程學(xué)院，b.智慧高鐵系統(tǒng)前沿科學(xué)中心，c.計算機(jī)與信息技術(shù)學(xué)院，北京 100044；2.北京市軌道交通電磁兼容與衛(wèi)星導(dǎo)航工程技術(shù)研究中心，北京 100044）

0 引言

在智能交通系統(tǒng)的多項功能應(yīng)用中，車輛位置及其運(yùn)行狀態(tài)信息是一項重要的使能性基礎(chǔ)條件。衛(wèi)星導(dǎo)航系統(tǒng)作為一種全天候、高實(shí)時及高覆蓋的定位手段，已廣泛應(yīng)用于車輛定位導(dǎo)航、駕駛輔助及自主控制決策等環(huán)節(jié)。近年來，隨著我國北斗衛(wèi)星導(dǎo)航系統(tǒng)(BeiDou Navigation Satellite System,BDS)的建設(shè)與開通服務(wù)，衛(wèi)星定位已成為眾多新型車輛車載系統(tǒng)的重要技術(shù)途徑之一。然而，車輛衛(wèi)星定位在城市路網(wǎng)環(huán)境內(nèi)因城市峽谷、樓群、樹木及隧道等復(fù)雜地形環(huán)境導(dǎo)致的信號遮蔽、阻斷以及信號傳播偏轉(zhuǎn)和衍射，會遇到較為復(fù)雜多變的信號觀測條件，且衛(wèi)星信號觀測質(zhì)量易受到多徑效應(yīng)、非視距及干擾攻擊影響，導(dǎo)致衛(wèi)星定位解算性能劣化。為此，在衛(wèi)星定位解算及完好性監(jiān)測運(yùn)算等過程中為各可視衛(wèi)星賦予不同的權(quán)重，是有效適應(yīng)車輛衛(wèi)星定位環(huán)境的動態(tài)性和差異性的必然途徑。

常規(guī)衛(wèi)星定位應(yīng)用中，最簡單的方式是采用等權(quán)策略[1]，為各個衛(wèi)星賦予相同權(quán)重。為了體現(xiàn)各可視衛(wèi)星的動態(tài)差異，一般采用基于Helmert 驗后方差估計模型和基于衛(wèi)星觀測特征量的解析模型兩種方式。Helmert方差分量估計需要通過逐次迭代計算，其實(shí)時性難以滿足實(shí)時定位的需要[2]。為此，基于衛(wèi)星觀測特征量的解析模型已成為一種相對簡便有效的手段，以星-地位置關(guān)系相關(guān)的特定指示量為驅(qū)動，建立每顆衛(wèi)星權(quán)重與該指示量的解析關(guān)系模型，進(jìn)而實(shí)時迅速實(shí)現(xiàn)權(quán)重的量化計算，代表性的方式包括衛(wèi)星仰角定權(quán)模型[3]和衛(wèi)星信噪比定權(quán)模型[4]，采用衛(wèi)星仰角/信噪比組合定權(quán)模型能夠進(jìn)一步充分運(yùn)用多類信息的作用[5]?；谘鼋呛托旁氡鹊忍卣髁繉?shí)施定權(quán)雖計算簡便且實(shí)時性高，但并未能充分體現(xiàn)權(quán)重結(jié)果對實(shí)際衛(wèi)星信號觀測質(zhì)量的準(zhǔn)確反映。為此，如何實(shí)現(xiàn)與動態(tài)運(yùn)行環(huán)境更為深度匹配的實(shí)時定權(quán)，仍有待于開展深入的研究與探索。

近年來，隨著DSRC/C-V2X(專用短程通信/基于蜂窩網(wǎng)絡(luò)的車用無線通信)無線傳輸、物聯(lián)網(wǎng)及人工智能等前沿技術(shù)的快速發(fā)展，以車-車、車-路及車-人信息通信共享為依托的車路協(xié)同技術(shù)，已成為新時期協(xié)作式智能交通系統(tǒng)的重點(diǎn)發(fā)展方向[6]。車-車和車-路間信息的協(xié)同交互驅(qū)動了多項協(xié)作式的定位應(yīng)用，例如，車-車協(xié)同定位[7]，基于路側(cè)的定位增強(qiáng)[8]，車-車協(xié)同完好性監(jiān)測[9]及超視距探測感知[10]等，同時，也極大拓展了傳統(tǒng)單車自主定位中定權(quán)計算所依托的感知范圍，在權(quán)重分配與實(shí)際衛(wèi)星觀測質(zhì)量水平之間建立更為緊密關(guān)聯(lián)成為可能。從權(quán)重相關(guān)特征量角度考慮，導(dǎo)航衛(wèi)星觀測量的殘差信息，可以從定位接收機(jī)中直接提取，且相較于衛(wèi)星仰角和信噪比等，能夠更直接地從定位域反饋觀測域的質(zhì)量特征，能夠為權(quán)重調(diào)整提供更加貼合定位質(zhì)量層面的指示作用。在此基礎(chǔ)上，進(jìn)一步考慮到在一定的局域路網(wǎng)環(huán)境中，衛(wèi)星定位所面臨的周圍地形和地物等環(huán)境要素具有顯著相關(guān)性[11]，局域路網(wǎng)內(nèi)運(yùn)行車輛若能夠借助DSRC/C-V2X 通道實(shí)現(xiàn)衛(wèi)星觀測量和殘差等信息的交互共享，則能夠進(jìn)一步發(fā)揮交互協(xié)同框架下衛(wèi)星定位定權(quán)基礎(chǔ)信息的延拓意義，使多車協(xié)同觀測轉(zhuǎn)化為局域路網(wǎng)觀測質(zhì)量的特征知識具備充分條件，從而使單個車輛突破自身觀測信息范疇，將定權(quán)所依托的數(shù)據(jù)和知識基礎(chǔ)拓展至鄰域內(nèi)協(xié)同車輛和路側(cè)設(shè)備，更好地發(fā)揮車路協(xié)同模式的本質(zhì)優(yōu)勢，在衛(wèi)星定位定權(quán)協(xié)同化和動態(tài)化方面發(fā)揮關(guān)鍵作用?；诖?，本文改變了以往針對衛(wèi)星觀測特征量(例如衛(wèi)星仰角和信噪比等)開展解析定權(quán)模型構(gòu)建與決策的方式，將車載和路側(cè)之間貫通的信息交互機(jī)制用于數(shù)據(jù)驅(qū)動的局域模型和多車協(xié)同的實(shí)時定權(quán)，設(shè)計了一種新型車輛衛(wèi)星定位協(xié)同定權(quán)方法，實(shí)現(xiàn)定權(quán)決策主動跟蹤匹配動態(tài)觀測環(huán)境，并采用實(shí)測數(shù)據(jù)對所提出的方案進(jìn)行驗證，分析其相對于傳統(tǒng)定權(quán)方案的優(yōu)勢與意義。

1 基于信息交互的車輛衛(wèi)星定位協(xié)同定權(quán)框架

基于衛(wèi)星導(dǎo)航系統(tǒng)的車輛定位解算過程中，衛(wèi)星定位接收機(jī)實(shí)時接收衛(wèi)星信號，獲得星-地間測距觀測量，根據(jù)導(dǎo)航衛(wèi)星位置的估算結(jié)果，采用最小二乘法等估計算法實(shí)施車輛位置狀態(tài)計算。城市路網(wǎng)內(nèi)復(fù)雜的動態(tài)觀測環(huán)境下，實(shí)際的衛(wèi)星觀測特性容易受到多種因素的影響，因此，可為各衛(wèi)星觀測量賦予相應(yīng)的權(quán)重，采用加權(quán)最小二乘法(Weighted Least Square,WLS)進(jìn)行解算，能夠更加符合實(shí)際的衛(wèi)星信號觀測質(zhì)量水平，并使定位解算對觀測量的利用得到針對性調(diào)整。在該模式下，車輛運(yùn)行狀態(tài)向量的估計解可表示為

式中：t為當(dāng)前定位解算歷元；Ht為K(t)×4 維的觀測矩陣，其中，K(t) 為t時刻的可見衛(wèi)星數(shù)；Wt=diag{w1,w2,…,wK(t)} 為K(t)×K(t)維對角矩陣，表示t時刻可視衛(wèi)星的權(quán)重分布情況，wk為第k顆衛(wèi)星的觀測量權(quán)重，k為可視衛(wèi)星序號，k=1,2,…,K(t)；zt為觀測向量，一般采用所觀測衛(wèi)星的偽距量構(gòu)成。

衛(wèi)星觀測權(quán)重直接取決于當(dāng)前的信號觀測質(zhì)量，對于因故障、觀測條件異常及信號通視條件受限等因素導(dǎo)致觀測質(zhì)量劣化的衛(wèi)星觀測量，需在解算中通過分配較低權(quán)重，減少其對定位解算的影響。作為與觀測質(zhì)量直接相關(guān)的偽距觀測誤差，難以用精確的數(shù)學(xué)模型描述，同時，在用戶真實(shí)位置未知和衛(wèi)星-接收機(jī)天線信號傳輸路徑因地形環(huán)境影響難以精確描述的情況下，無法直接建立精確的解析模型進(jìn)行量化求解。與觀測誤差不同，衛(wèi)星觀測量殘差(例如偽距殘差)更易于從接收機(jī)觀測量中獲得，且能夠反映特定衛(wèi)星觀測質(zhì)量特征在位置決策層面影響的差異。偽距殘差定義為偽距等觀測量的實(shí)際觀測值與其估計值之間的差值，即

式中：ρk,obs為第k顆可視衛(wèi)星的原始偽距觀測值；(lk,bk,hk)為第k顆可視衛(wèi)星解算星歷后所得三維坐標(biāo)；(lls,bls,hls)為當(dāng)前位置預(yù)測值。

僅從車載定位接收機(jī)自身觀測量通過殘差估算權(quán)重，難以全面和準(zhǔn)確反映衛(wèi)星觀測狀況的動態(tài)變化情況。為此，利用新型協(xié)作式智能交通系統(tǒng)模式提供的車路協(xié)同交互機(jī)制，能夠使車載設(shè)備所含車輛衛(wèi)星定位單元在利用自身觀測信息進(jìn)行定位解算的同時，還能運(yùn)用一定局域范圍內(nèi)由車輛間信息交互匯集的多個臨近車輛衛(wèi)星觀測量殘差{ρk,pse}，綜合獲得對衛(wèi)星觀測質(zhì)量水平更為充分的描述，進(jìn)而用于衛(wèi)星定位解算中觀測量權(quán)重{wk} 的精細(xì)化確定。基于這一思路，本文提出一種基于自編碼輕量級梯度提升機(jī)(Auto Encoder Light Gradient Boosting Machine，AE-LGBM)建模與多車觀測信息綜合決策相結(jié)合的協(xié)同定權(quán)方案，其總體框架如圖1所示。

圖1 基于輕量級梯度提升機(jī)建模與多車信息綜合決策的協(xié)同定權(quán)總體框架Fig.1 Overall architecture of cooperative weighting using LightGBM modeling and multi-vehicle information-based decision making

框架主要由以下兩條通道協(xié)作完成最終的定權(quán)決策：

(1)學(xué)習(xí)建模通道

從衛(wèi)星信號觀測條件與質(zhì)量特征的“局域相似性”出發(fā)，路側(cè)設(shè)備在所處區(qū)域內(nèi)收集各協(xié)同車輛傳輸?shù)亩ㄎ粩?shù)據(jù)，包括：

①仰角、方位角及信噪比等衛(wèi)星觀測量特征；

②接收機(jī)終端信息；

③所屬路段信息等輔助特征；

④用于表征觀測質(zhì)量的偽距殘差。

基于所匯集的定位數(shù)據(jù)集，運(yùn)用AE-LGBM算法構(gòu)建面向該局域環(huán)境的偽距殘差預(yù)測模型，并隨著增量數(shù)據(jù)的加入，使模型得到不斷更新。

(2)定權(quán)計算通道

車輛在實(shí)時運(yùn)行中，車載接收機(jī)實(shí)時獲取衛(wèi)星仰角、方位角及信噪比等觀測信息，結(jié)合所含衛(wèi)星定位接收機(jī)終端類型和基于位置推算所得所屬路段信息等定權(quán)輔助特征信息，構(gòu)成本車觀測集。運(yùn)用離線訓(xùn)練所得偽距殘差預(yù)測模型進(jìn)行預(yù)測計算，同時，利用協(xié)同交互所得鄰車的觀測數(shù)據(jù)，與模型預(yù)測結(jié)果進(jìn)行融合，確定當(dāng)前本車各可視衛(wèi)星觀測量的權(quán)重分配。

基于上述兩條計算通道，最終得到的觀測量定權(quán)結(jié)果除了能夠有效運(yùn)用本車實(shí)時觀測信息實(shí)現(xiàn)權(quán)重更新外，還能夠通過引入鄰車定位觀測信息，充分發(fā)揮AE-LGBM 模型對存在一定相似性的衛(wèi)星信號觀測質(zhì)量特征的綜合表達(dá)能力，實(shí)現(xiàn)動態(tài)定權(quán)對泛化信息條件的充分理解與運(yùn)用。在此條件下，各個衛(wèi)星觀測量權(quán)重充分面向?qū)嶋H觀測環(huán)境中因多種因素可能導(dǎo)致的差異而實(shí)施獨(dú)立計算，能夠使定權(quán)結(jié)果更加適應(yīng)實(shí)際車輛定位過程所面臨的動態(tài)性與復(fù)雜性。

2 車輛衛(wèi)星定位協(xié)同定權(quán)方法

2.1 基于AE-LGBM的訓(xùn)練建模方法

AE-LGBM 模型的第1 部分為自編碼網(wǎng)絡(luò)(AE)，可以看作是神經(jīng)網(wǎng)絡(luò)的一種，基于反向傳播算法與最優(yōu)化方法(例如梯度下降法)，利用輸入數(shù)據(jù)x本身作為監(jiān)督，指導(dǎo)神經(jīng)網(wǎng)絡(luò)嘗試學(xué)習(xí)一個映射關(guān)系，得到一個重構(gòu)輸出x(D)，實(shí)現(xiàn)從輸入特征集中提取出最好的基本特征的目的[12]。模型包含兩個主要的部分：Encoder(編碼器)和Decoder(解碼器)，損失函數(shù)為二元交叉熵，即

式中：LAE為自動編碼器的重構(gòu)誤差；N為樣本總數(shù)；xi、x(iD)分別為網(wǎng)絡(luò)的第i組輸入、第i組輸出；?為懲罰系數(shù)；W(i)為提供給每一層輸入的權(quán)重矩陣。

模型的第2部分為LightGBM(輕量級梯度提升機(jī))，作為一個開源、快速及高效的基于決策樹算法的提升框架，在傳統(tǒng)的GBDT[13]基礎(chǔ)上引入Histogram 直方圖優(yōu)化算法和帶深度限制的Leafwise的葉子生長策略，在解決回歸問題上有著顯著效果[14]。該方法的核心思想是梯度提升GB(Gradient Boosting)，在迭代過程中的每棵回歸樹模型都是為了減少上一次迭代的殘差，在殘差減少(負(fù)梯度)方向上建立一個新模型，將上一次的預(yù)測結(jié)果同目標(biāo)值做差，作為本次迭代訓(xùn)練數(shù)據(jù)，每個新模型的建立均使之前模型的殘差往梯度方向減少，通過逐步逼近，使損失函數(shù)最小化，最終累加所有樹的結(jié)果輸出強(qiáng)學(xué)習(xí)器。

考慮傳統(tǒng)的回歸損失函數(shù)對異常值的損失關(guān)注度較高，本文采用Huber 損失函數(shù)[15]對預(yù)測偏差不均勻形成較強(qiáng)魯棒性。假設(shè)訓(xùn)練數(shù)據(jù)集為D={(xi,yi)},i=1,2,…,N，含N個樣本，設(shè)定所建立模型訓(xùn)練回歸樹M棵，梯度提升算法的建模流程如下。

(1)初始化弱學(xué)習(xí)器

式中：c為常數(shù)項。

(2)迭代訓(xùn)練m=1,2,…,M棵樹

①對每個樣本i=1,2,…,N，計算負(fù)梯度(殘差)，即

②將得到的殘差值rm,i作為樣本新的真實(shí)值，并將數(shù)據(jù)Dm={(xi,rm,i)},i=1,2,…,N作為下一棵樹的訓(xùn)練集，得到一棵新的回歸樹，其對應(yīng)的葉子節(jié)點(diǎn)區(qū)域Rm,j,j=1,2,…,J，其中，J為回歸樹的葉子結(jié)點(diǎn)個數(shù)。

③對j=1,2,…,J個葉子結(jié)點(diǎn)，計算最佳擬合值

式中：cm,j為葉子節(jié)點(diǎn)區(qū)域Rm,j的平方損失最小值。

④更新第m棵樹的強(qiáng)學(xué)習(xí)器

式中：I為指示函數(shù)，若xi∈Rm,j，I=1 ；否則，I=0。

(3)生成最終輸出學(xué)習(xí)器

在此之上，LightGBM引入的直方圖算法，通過把連續(xù)的浮點(diǎn)型特征離散化成L0個整數(shù)，構(gòu)造一個寬度為L0的直方圖。遍歷數(shù)據(jù)時，根據(jù)離散化后的值作為索引在直方圖中累積統(tǒng)計量，當(dāng)遍歷一次數(shù)據(jù)后，直方圖累積了需要的統(tǒng)計量，然后，根據(jù)直方圖的離散值，遍歷尋找最優(yōu)的分割點(diǎn)。此外，帶深度限制的Leaf-wise的葉子生長策略是指每次從當(dāng)前所有葉子中，找到分裂增益最大的一個葉子，然后分裂，如此循環(huán)。相比GBDT 同時分裂同層葉子的策略，同樣的分裂次數(shù)下，Leaf-wise 策略可以降低更多的誤差，得到更好的精度。

模型超參數(shù)包括：學(xué)習(xí)率、樹的深度、葉子數(shù)、特征抽樣數(shù)、樣本抽樣數(shù)及正則化等，可以靈活處理連續(xù)和離散等多類型數(shù)據(jù)，以較短收斂時間達(dá)到較高預(yù)測精度，其特性非常適用于挖掘衛(wèi)星觀測量信息和偽距殘差之間復(fù)雜的非線性關(guān)系。

2.2 基于信息交互的協(xié)同定權(quán)計算

當(dāng)目標(biāo)車輛和其協(xié)同交互鄰車接收衛(wèi)星信號后，由目標(biāo)車輛及其鄰車構(gòu)成局域觀測節(jié)點(diǎn)集，由于觀測條件的相似性，對于當(dāng)前所在局域路段范圍內(nèi)能夠被觀測的各個衛(wèi)星，基于學(xué)習(xí)建模通道離線構(gòu)建的偽距殘差預(yù)測模型，在同一時刻能夠得到多個冗余的偽距殘差預(yù)測值

式中：θk(t)、ψk(t)、λk(t)分別為第k顆衛(wèi)星在t時刻的仰角、方位角、信噪比；Ω為接收機(jī)終端信息；Θ(t) 為t時刻所屬路段；s=0 為目標(biāo)車輛，s=1,…,S(t)為t時刻已與目標(biāo)車輛進(jìn)行信息交互的協(xié)作車輛；G(*)為離線構(gòu)建的偽距殘差預(yù)測模型；、分別為t時刻目標(biāo)車輛和其第s個(s≥1)協(xié)同鄰車所觀測第k顆衛(wèi)星的偽距殘差預(yù)測量。

式中：α、βs分別為目標(biāo)車輛和鄰車s的修正系數(shù)，通常情況下，α=1，βs的大小與目標(biāo)車輛接收鄰車s數(shù)據(jù)包的時間成反比，α ＞βs；若出現(xiàn)完好性告警時，則需要適當(dāng)增大故障衛(wèi)星的殘差修正系數(shù)，降低故障衛(wèi)星所分配的權(quán)重值。為目標(biāo)車輛經(jīng)引入鄰車殘差預(yù)測集修正后第k顆衛(wèi)星的偽距殘差。

基于各個可視衛(wèi)星偽距觀測量殘差的修正結(jié)果，采用權(quán)重歸一化原則，得到最終的衛(wèi)星觀測量權(quán)重分配解為

式中：wt,k為t時刻目標(biāo)車輛所觀測到的第k顆衛(wèi)星的權(quán)重分配值，其將最終在定位解算中調(diào)和對各個衛(wèi)星觀測量的運(yùn)用深度。

2.3 方法總結(jié)與分析

基于所提出的方案，采用局域偽距殘差預(yù)測模型，目標(biāo)車輛實(shí)時接收衛(wèi)星信號并實(shí)施基于信息交互的協(xié)同定權(quán)計算過程如表1所示。

常規(guī)參數(shù)定權(quán)方案中，車輛提取步驟(2)所述的觀測量后，通過經(jīng)驗參數(shù)權(quán)重公式計算后直接到達(dá)步驟(15)；本文方法與僅依賴目標(biāo)車輛自身得到的觀測量(例如衛(wèi)星仰角和信噪比等)實(shí)施解析形式的常規(guī)權(quán)重估計方法相比，增加了與協(xié)同鄰車和路側(cè)設(shè)備信息交互環(huán)節(jié)，額外引入的信息修正了本車自身的權(quán)重估計結(jié)果，使本文基于協(xié)同交互機(jī)制對常規(guī)定權(quán)方案進(jìn)行了有效延拓與增強(qiáng)。

在目標(biāo)車輛與協(xié)同鄰車和路側(cè)設(shè)備協(xié)同交互過程下，本文所述方案下的車輛衛(wèi)星定位基于信息匯集實(shí)現(xiàn)衛(wèi)星觀測量權(quán)重的動態(tài)調(diào)整與決策，該定權(quán)方案中的“協(xié)同”體現(xiàn)在兩個方面：

一方面，路側(cè)設(shè)備匯集的區(qū)域內(nèi)歷史定位信息，能夠表征出特定局部環(huán)境中的衛(wèi)星信號觀測質(zhì)量的“相關(guān)本質(zhì)特征”，考慮衛(wèi)星自身觀測特征，例如，仰角、方位角、信噪比及可見衛(wèi)星數(shù)的同時，引入定位終端信息和所屬路段信息，基于衛(wèi)星觀測質(zhì)量相關(guān)的多維特征采用AE-LGBM 算法實(shí)施數(shù)據(jù)驅(qū)動的建模，為實(shí)施觀測量定權(quán)引入了離線的先驗知識。

另一方面，對于道路行駛中某一車輛簇，其在道路中所面臨的通視條件和信號傳播條件具有緊密“相關(guān)性”，映射至衛(wèi)星觀測域，可體現(xiàn)在觀測質(zhì)量特征的“相似性”，多車觀測信息在預(yù)測模型的共同輔助下，最終對于目標(biāo)車輛的觀測量定權(quán)結(jié)果充分融入了多車觀測的協(xié)同疊加作用。

總體來看，本文提出的方法突破了單車自主定位的信息受限性，運(yùn)用新型交通系統(tǒng)形態(tài)下協(xié)同交互機(jī)制的本質(zhì)能力，為衛(wèi)星定位的觀測量定權(quán)提供了協(xié)同優(yōu)化機(jī)制，為合理化和差異化運(yùn)用實(shí)時觀測信息并保證定位質(zhì)量提供了條件。需要指出的是，城市路網(wǎng)環(huán)境中車-車和車-路間無線通信質(zhì)量會受到多種因素影響，在無線通信質(zhì)量不佳甚至中斷情況下，目標(biāo)車輛在跨局域范圍運(yùn)行時，將難以收到路側(cè)設(shè)備反饋的有效預(yù)測模型信息，無法利用鄰車信息修正目標(biāo)車輛的偽距殘差特征值，如此，則只能退化為采用獨(dú)立解算模式進(jìn)行權(quán)重分配。因此，無線通信質(zhì)量是決定本文所提出方法得以有效應(yīng)用的關(guān)鍵使能性條件。

3 實(shí)驗驗證與分析

3.1 實(shí)驗環(huán)境與設(shè)備準(zhǔn)備

為驗證本文提出的協(xié)同定權(quán)方法性能，選擇北京交通大學(xué)校園內(nèi)一段觀測環(huán)境變化較為復(fù)雜的閉環(huán)路線開展實(shí)際數(shù)據(jù)采集，實(shí)驗路線涉及高層建筑周邊路段、樹木遮蔽路段、低層房屋臨近路段及空曠路段，代表了4類典型的城市道路衛(wèi)星信號觀測場景。為了模擬目標(biāo)車輛與多個鄰近車輛在相近局域區(qū)域內(nèi)運(yùn)行的過程，采用兩輛實(shí)驗推車模擬真實(shí)道路車輛協(xié)同定位場景，數(shù)據(jù)采集平臺同步采集多個定位接收機(jī)的實(shí)時數(shù)據(jù)，用于檢驗多車協(xié)同定權(quán)效果。在實(shí)驗過程中，兩輛實(shí)驗推車以約3.6 km·h-1速度繞閉環(huán)路線靠道路右側(cè)行駛，采集一整圈的數(shù)據(jù)通常需20 min。為模擬道路中車輛位置關(guān)系的變化，路段1 中主車在前約3 m，路段2和路段4中主車和鄰車并排行駛，路段3中鄰車在前約3 m。實(shí)驗設(shè)備方面，主車搭載了Trimble BD982接收機(jī)代表目標(biāo)車輛，同時，引入由高性能衛(wèi)星接收機(jī)、慣性測量單元和差分?jǐn)?shù)據(jù)傳輸單元構(gòu)成的高精度SPAN 位置參考系統(tǒng)，為目標(biāo)車輛提供真實(shí)位置的參考值，兩者采用信號功分器連接衛(wèi)星定位天線采集信號，保證接收同一衛(wèi)星信號。鄰車采集平臺采用了6套不同廠家不同型號的接收機(jī)設(shè)備，包括：Trimble BD910、UBlox-LEA-5A、UBlox-LEA-6T、UBlox-NEO-7M、UBlox-M8N 及 NovAtel-OEM615，為目標(biāo)車輛提供協(xié)同定權(quán)算法的實(shí)時數(shù)據(jù)支持。由于本文核心方法集中于衛(wèi)星定位解算過程中的定權(quán)優(yōu)化邏輯，實(shí)驗中兩輛推車未直接進(jìn)行實(shí)時無線交互，分別采集記錄各接收機(jī)的原始觀測量(包括導(dǎo)航文件和觀測文件)，通過后處理解算檢驗各種不同方法的定權(quán)相關(guān)性能。試驗數(shù)據(jù)采集路線及模擬定位采集平臺如圖2所示。

圖2 實(shí)際數(shù)據(jù)采集路線及本車和鄰車模擬定位采集平臺Fig.2 Trajectory of data collection and simulated positioning collection platforms of ego-vehicle and neighborhood vehicle

選取2021年進(jìn)行的15 次實(shí)驗采集結(jié)果，提取前14次實(shí)驗采集數(shù)據(jù)，構(gòu)建AE-LGBM算法建模需要的原始樣本數(shù)據(jù)集，用于AE-LGBM預(yù)測模型的訓(xùn)練與測試檢驗。選擇最后1 次實(shí)驗?zāi)M車輛在路網(wǎng)內(nèi)的協(xié)同定位場景檢驗協(xié)同定權(quán)方法的性能，用Trimble BD982型接收機(jī)數(shù)據(jù)模擬目標(biāo)車輛車載設(shè)備定位過程，用其他6套接收機(jī)數(shù)據(jù)模擬相鄰協(xié)同車輛的數(shù)據(jù)采集，其中，將作為目標(biāo)車輛設(shè)備的Trimble BD982型接收機(jī)采集的原始觀測文件和導(dǎo)航文件用于動態(tài)定位解算，將協(xié)同定權(quán)的定位結(jié)果與SPAN位置參考系統(tǒng)對比，進(jìn)行評估與分析。

3.2 AE-LGBM建模性能驗證分析

對實(shí)驗采集的建模樣本數(shù)據(jù)集進(jìn)行特征提取和數(shù)據(jù)清洗，篩除存在缺失信息的樣本，留下數(shù)據(jù)完整的樣本287224個。同時，選取t時刻第k顆可視衛(wèi)星的偽距殘差ρi,k,pse(t)作為標(biāo)簽值。每個樣本的特征量包含內(nèi)容如表2所示。

表2 偽距殘差A(yù)E-LGBM預(yù)測模型建模樣本特征量Table 2 Modeling characteristics of pseudo-range residual AE-LGBM prediction model

分析原始樣本各特征取值范圍，發(fā)現(xiàn)部分樣本存在較低仰角(θi,k(t)＜25o) 和較低信噪比(λi,k(t)＜25 dB-Hz)，且部分原始樣本中存在一些偽距殘差異常現(xiàn)象(例如|ρi,k,pse(t)|＞50 m)的離群點(diǎn)。因此，在實(shí)施模型訓(xùn)練前對樣本集進(jìn)行基于特定門限的篩選：設(shè)定衛(wèi)星仰角門限Tθ=25o、信噪比門限Tλ=25 dB-Hz 及偽距殘差門限Tρ=50 m，給樣本添加字段可用性標(biāo)志Yi,t,k

式中：θi,k(t)、λi,k(t)、ρi,k,pse(t)分別為t時刻第k顆衛(wèi)星對應(yīng)樣本i的仰角、信噪比和偽距殘差。

在篩選樣本可用性標(biāo)志為1的樣本點(diǎn)后，樣本集中剩余223343 條數(shù)據(jù)。值得一提的是，LightGBM 的基于決策樹的模型，樹形模型不關(guān)心變量的值，而是關(guān)心變量的分布和變量之間的條件概率，因此，無需對特征進(jìn)行歸一化處理?；诓杉瘮?shù)據(jù)所屬的接收機(jī)類型，為各樣本添加接收機(jī)終端信息，共7條字段信息；同時，依據(jù)樣本所含位置估計信息判斷其所屬路段，本文根據(jù)路段類型對實(shí)驗軌跡劃分為4段(如圖2所示)。為便于模型輸入，對添加的字段信息均采用Onehot編碼(獨(dú)熱編碼)，將離散字段映射到整數(shù)值，將每個整數(shù)值表示為二進(jìn)制向量，從而把不同字段之間的關(guān)系擴(kuò)展到歐式空間，使特征之間的距離計算更加合理。

將全部樣本按照8∶2 隨機(jī)分成訓(xùn)練集和測試集，對AE-LGBM的幾個關(guān)鍵參數(shù)，包括：自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)，樹最大深度，迭代器個數(shù)，學(xué)習(xí)率，葉子數(shù)及Huber損失函數(shù)分位數(shù)度量值，在對應(yīng)的合理取值范圍內(nèi)進(jìn)行網(wǎng)格搜索調(diào)優(yōu)，其中，自編碼器的編碼器層數(shù)和解碼器層數(shù)均為特征經(jīng)過Onehot編碼后的特征維度，選取平均絕對誤差作為目標(biāo)值，最優(yōu)模型的參數(shù)如表3所示，所用開發(fā)環(huán)境為Python3.7，使用的機(jī)器學(xué)習(xí)庫包括：lightgbm、keras、tensorflow及sklearn。

表3 AE-LGBM主要參數(shù)Table 3 Key parameters of AE-LGBM

Encoder(編碼器)和Decoder(解碼器)給出了AE-LGBM 模型輸入特征的重要度排序，如圖3所示。

圖3 AE-LGBM模型影響因素重要度排序Fig.3 Importance sequencing of influence factors of AE-LGBM

由圖3可以看出，信噪比和衛(wèi)星仰角對模型的影響程度最大，同時，衛(wèi)星方位角作為衛(wèi)星空間分布特征的重要參數(shù)之一，也有17.1%的貢獻(xiàn)度，這是常規(guī)解析式衛(wèi)星定位定權(quán)模型一般不作為決策參量考慮的參數(shù)。此外，不同定位終端類型也對偽距殘差預(yù)測存在一定程度影響，而在當(dāng)前實(shí)驗場景中，對路段劃分提取的特征對模型的作用影響相對較小。

選取WMAPE 和MAE 作為評價指標(biāo)，選擇不同機(jī)器學(xué)習(xí)方法作為對比，包括：K-最鄰近(KNN)、支持向量機(jī)(SVM)、隨機(jī)森林(RF)、梯度提升決策樹(GBDT)、輕量級梯度提升機(jī)(LGBM)和本文采用的自編碼輕量級梯度提升機(jī)(AE-LGBM)。所有對比方法的參數(shù)同樣進(jìn)行網(wǎng)格搜索，包括：KNN的鄰居樣本點(diǎn)數(shù)量n_neighbors，SVM 的核函數(shù)系數(shù)gamma，RF 的決策樹個數(shù)n_estimators，最大深度max_depth 和 最 大 特 征 數(shù)max_features，GBDT 和LGBM的搜索參數(shù)同表3中LightGBM部分的超參數(shù)保持一致。

基于上述5種方案為對照，在相同樣本集條件下的建模結(jié)果對比如表4所示。對比KNN和SVM的結(jié)果，可以看出RF 和GBDT 等集成學(xué)習(xí)方法在衛(wèi)星觀測質(zhì)量建模上更加精確且穩(wěn)定；同時，對比LGBM 和AE-LGBM 的結(jié)果，說明引入自編碼器AE 自動提取特征，能夠進(jìn)一步挖掘數(shù)據(jù)之間的非線性關(guān)系，提升模型精度。整體來看，本文采用的AE-LGBM 模型的預(yù)測精度均優(yōu)于其他對比方法，其原因主要為該模型在特征工程中的選擇提取以及集成學(xué)習(xí)的優(yōu)勢，其決定系數(shù)在訓(xùn)練集和測試集上均超過90%，說明模型的擬合度達(dá)到了較高水平；對比不同方法在測試集中的WMAPE 和MAE指標(biāo)表現(xiàn)，AE-LGBM 模型相較于對比項，其加權(quán)平均百分比誤差分別降低了40.8%，30.9%，27.3%，24.8%及13.9%，其平均絕對誤差分別降低了40.6%，36.0%，26.5%，25.6%及16.1%。此外，進(jìn)一步對模型在測試集上的預(yù)測誤差進(jìn)行統(tǒng)計分析，模型預(yù)測誤差頻數(shù)分布直方圖的高斯擬合結(jié)果對比如圖4所示，可以看出，AE-LGBM的樣本誤差頻數(shù)統(tǒng)計更加集中在小誤差的區(qū)間，有更高概率會得到更為準(zhǔn)確的預(yù)測結(jié)果。

表4 不同模型訓(xùn)練方法的評價指標(biāo)比較Table 4 Comparison of evaluation indices for different model training methods

圖4 不同模型訓(xùn)練方法所得預(yù)測性能對比Fig.4 Comparison of prediction performance by different model training methods

3.3 協(xié)同定權(quán)性能對比分析

選 擇2021年9月13日 采 用Trimble BD982 型接收機(jī)采集數(shù)據(jù)進(jìn)行定位計算，利用其他6套設(shè)備時間對齊的實(shí)測數(shù)據(jù)模擬鄰車觀測量，利用已建立的偽距殘差預(yù)測模型進(jìn)行實(shí)時定權(quán)計算驗證，結(jié)合式(17)和式(18)完成每個歷元的目標(biāo)車輛偽距殘差特征值修正及權(quán)重計算。一次采集實(shí)驗中6 顆可視衛(wèi)星(GPS 衛(wèi)星PRN 號：10、12、23、24、25、32)協(xié)同定權(quán)結(jié)果隨時間的總體對比情況如圖5所示。各顆可視衛(wèi)星權(quán)值隨時間變化情況如圖6所示。

圖5 各可視衛(wèi)星協(xié)同定權(quán)結(jié)果總體對比Fig.5 Overall comparison of cooperative weighting results of visible satellites

圖6 各可視衛(wèi)星協(xié)同定權(quán)具體權(quán)重結(jié)果Fig.6 Comparison results of cooperative weighting for each visible satellite

將所得權(quán)重矩陣用于基于加權(quán)最小二乘的GPS 單點(diǎn)定位解算，提取SPAN 位置參考系統(tǒng)輸出結(jié)果作為參考基準(zhǔn)計算定位誤差，對以下幾種定權(quán)策略進(jìn)行比較。

(1)等權(quán)分配策略[1]，即始終為各顆可視衛(wèi)星分配相同權(quán)重。

(2)仰角/信噪比組合定權(quán)策略[5]，即于衛(wèi)星仰角和信噪比，采用權(quán)重解析模型動態(tài)計算權(quán)值。

式中：a為參數(shù)值，常取13.924。

(3)基于車路信息交互的定權(quán)策略。

3種定權(quán)策略所得定位性能的統(tǒng)計結(jié)果如表5所示，包括東西向(E-W)、南北向(N-S)和水平定位誤差的均值、標(biāo)準(zhǔn)差、RMSE及最大值。

表5 不同定權(quán)策略定位性能對比Table 5 Comparison results of positioning performance by different weighting strategies

可以看出，協(xié)同定權(quán)策略在各個評價維度均優(yōu)于經(jīng)典的等權(quán)分配策略；對比等權(quán)策略和仰角/信噪比組合定權(quán)策略，兩者在各個方向的RMSE水平基本相當(dāng)，組合定權(quán)策略對GPS單點(diǎn)定位解算精度的提升不甚明顯，東西向和南北向的最大值均超過50 m；采用本文提出的協(xié)同定權(quán)策略，相對于兩種常規(guī)方式對定位解算精度的提升較為顯著：對比最為簡化的等權(quán)策略，其東西向、南北向和水平向誤差標(biāo)準(zhǔn)差分別降低了42.2%，30.4%及45.0%，均方根誤差分別降低了41.6%，33.2%及37.7%，相對仰角/信噪比組合定權(quán)策略，3項誤差的標(biāo)準(zhǔn)差分別降低了40.5%，24.5%及42.9%，均方根誤差分別降低了40.1%，26.4%及34.3%，東西向維度和南北向維度的最大誤差也降到了20 m左右。

東西向和南北向定位誤差隨時間的變化結(jié)果如圖7和圖8所示。

圖7 3種定權(quán)策略東西向誤差對比Fig.7 E-W error by three weighting methods

圖8 3種定權(quán)策略南北向誤差對比Fig.8 N-S error by three weighting methods

結(jié)果展示了協(xié)同加權(quán)策略對單點(diǎn)定位精度的影響，常規(guī)基于衛(wèi)星觀測特征量進(jìn)行解析計算的組合定權(quán)策略在大部分情況下與等權(quán)策略所得誤差重合基本相當(dāng)，相對于等權(quán)策略的作用并不明顯；本文提出的組合定權(quán)策略所得定位誤差更為穩(wěn)定，特別是在歷元200～300 s，600～700 s，1000～1100 s時段內(nèi)，協(xié)同權(quán)對部分預(yù)測偽距誤差較大的衛(wèi)星(例如25號和32號)賦予較低的權(quán)重，降低了最終定位解算結(jié)果和真實(shí)值之間的誤差，相對于兩種參考策略的改善效果非常顯著。

總體來看，面對復(fù)雜的城市道路環(huán)境，基于歷史經(jīng)驗確立的解析式組合定權(quán)策略難以跟蹤復(fù)雜多樣的觀測環(huán)境，而本文提出的協(xié)同定權(quán)方法充分發(fā)揮了車路協(xié)同交互機(jī)制聚合多源信息的優(yōu)勢，能夠更為合理地為各可視衛(wèi)星分配權(quán)重，達(dá)到優(yōu)化定位性能的目的。

4 結(jié)論

本文得到的主要結(jié)論如下：

(1)提出的基于輕量級梯度提升機(jī)建模與多車信息綜合決策的協(xié)同定權(quán)方法，能夠從衛(wèi)星信號觀測條件與質(zhì)量特征的“局域相似性”出發(fā)，提取路網(wǎng)車輛的定位信息，包括常規(guī)觀測量，例如，仰角、方位角、信噪比、可見衛(wèi)星數(shù)及用于表征觀測質(zhì)量的偽距殘差；同時增設(shè)輔助特征，例如，終端信息和路段信息，運(yùn)用輕量級梯度提升機(jī)對歷史數(shù)據(jù)訓(xùn)練并驗證，構(gòu)造偽距殘差A(yù)E-LGBM 預(yù)測模型，支撐在線定權(quán)。

(2)基于某一車輛簇內(nèi)觀測環(huán)境的“相關(guān)性”，融入鄰域內(nèi)車輛觀測信息的預(yù)測結(jié)果對目標(biāo)車輛的定權(quán)計算進(jìn)行修正，充分體現(xiàn)了協(xié)同思想在衛(wèi)星觀測量權(quán)重的動態(tài)調(diào)整與決策的應(yīng)用。

(3)對比K-最鄰近、支持向量機(jī)、隨機(jī)森林、梯度提升決策樹及輕量級梯度提升機(jī)等方法，驗證了基于AE-LGBM預(yù)測模型性能的精準(zhǔn)性。

(4)將協(xié)同定權(quán)策略應(yīng)用于實(shí)測數(shù)據(jù)定位解算，對比常規(guī)的等權(quán)策略和組合權(quán)重策略，所得結(jié)果反映了協(xié)同動態(tài)定權(quán)對復(fù)雜動態(tài)運(yùn)行環(huán)境的跟蹤適配及其對于定位性能的優(yōu)化作用。