[发明专利]一种城市峡谷环境下基于景象匹配与机器学习的定位方法

权利要求书

1.一种城市峡谷环境下基于景象匹配与机器学习的定位方法，其特征在于，包括以下步骤：

步骤1，构建建筑物轮廓线数据库；

步骤2，标定随机森林训练数据集；

步骤3，训练用于接收类型判定的多特征随机森林决策树；

步骤4，获取载体实际所处位置建筑物轮廓信息；

步骤5，载体实际位置建筑物轮廓特征提取与特征匹配粗略定位；

步骤6，确定最佳候选区域；

步骤7，通过候选区域内插值获取精确位置信息；

步骤1包括：建筑物轮廓线数据库构建方法如下：根据3D地图模型构建以东北天ENU坐标系，即以站心为坐标系原点O的站心坐标系的水平面NOE为基准面的建筑物轮廓线数据库，其中，建筑物轮廓线数据库包括如下信息：建筑物高度信息、街道路宽信息、建筑物边界轮廓信息和建筑物边角点位置信息；

步骤2包括：由GNSS观测数据解算得到卫星的方位角∠distA与高度角∠elA，根据城市峡谷已知点坐标位置信息，在所建立的建筑物轮廓线数据库中调取已知点坐标位置周边的建筑物轮廓数据，令NOE平面为0°高度角的起始面，令N轴正向为方位角的0°起始方向，由建筑物边角点位置信息获取建筑边角点坐标位置，计算已知点至建筑物边角点的方位角与高度角，结合获得的建筑物边角点方位角、高度角信息与建筑物边界轮廓信息，得到建筑物边界的方位角闭区间∠distB与高度角闭区间∠elB，由此得到以数值区间形式刻画的建筑物遮挡阴影区间，通过比较卫星的方位角、高度角与建筑物遮挡阴影区间的数值关系，判断卫星是否落在建筑物遮挡阴影内，如果∠distA处于∠distB闭区间内且∠elA也处于∠elB闭区间内时，则卫星落在建筑物遮挡阴影中，否则卫星未受到建筑物遮挡，从而确定卫星信号接收类型，如果卫星信号受到遮挡，即该卫星的高度角、方位角数值处于建筑物遮挡阴影区间内，在天空图上的反映即为卫星落在建筑物边界轮廓阴影内，将该卫星的GNSS原始观测量对应的信号接收类型标定为NLOS/Multipath，否则标定为LOS，由此生成用于随机森林训练的标定训练数据集；

步骤3包括：

步骤3-1，随机采样构建样本采样集：令步骤2生成的用于随机森林训练的标定训练数据集样本容量为m，每组样本由GNSS原始观测量和标定的信号接收类型构成，对样本进行随机采样，构建K个样本采样集；采用的随机采样方法为有放回采样，即对于一个样本，在对m个样本的随机采样中，每个样本每次被采集到的概率是1/m；

步骤3-2，训练决策树：对K个随机采样的样本采样集进行训练，生成K棵决策树，每棵决策树都构成一个弱分类器，且每棵决策树互不相关；

步骤3-3，输出预测分类结果：对于新输入的观测样本，每棵决策树输出相应预测信号接收类型；

步骤3-4，分类结果投票：对每个弱分类器的预测类别进行投票统计，票数最多的类别为最终输出的卫星信号接收类型类别；

步骤4包括：使用基于RANSAC算法的点云分割获取载体实际所处位置建筑物轮廓信息，RANSAC算法的输入包括：激光雷达点云数据DATA_LiDar、初始拟合模型Model0、最小数据组数k、迭代次数n、数据点匹配程度阈值t和判定模型适用性的数据数目d，RANSAC算法的输出包括：最佳拟合模型Model_Best、估计的模型数据点集Set_BestModel和数据点相关的模型误差E_Best，具体包括如下步骤：

步骤4-1，输出参数初始化：

Model_Best＝[NaN]

Set_BestModel＝[NaN]

E_Best＝inf

即设最佳拟合模型与模型数据点集为空集[NaN]、模型误差为无穷大inf；

步骤4-2，当前迭代次数N＜n时：

从数据DATA_LiDar中随机选择k个点作为可能的局内点inLier_may，拟合出当前k个点的模型Model_may，当前模型的数据点集Set_Model为随机选择出的k个点，对于每个DATA_LiDar中位于点集inLier_may外的点，计算这些点关于模型Model_may的拟合误差ε，如果ε＜t，则将对应的点列入点集Set_Model，如果点集Set_Model中点的数量＞d，则认定当前模型符合要求，令Model_Better＝Model_may，如果模型Model_Better的误差E_Better＜E_Best，则令：E_Best＝E_Better，Model_Best＝Model_Better，Set_BestModel＝Set_Model，保存当前模型直到更好的模型出现，执行步骤4-4；

步骤4-3，迭代次数增加：N＝N+1，返回步骤4-2；

步骤4-4，输出：E_Best、Model_Best、Set_BestModel；

至此，已经利用RNASAC算法分离了建筑物立面点云，将获取的建筑物立面点云分割结果与激光雷达的测距信息相结合，并将点云投影至道路平面上，即得到由点构成的当前载体实际所处位置的周边建筑物轮廓信息，得到投影至道路平面的载体周边建筑物轮廓平面图像；

步骤5包括：

进行FAST特征点检测，包括如下步骤：

步骤5a-1，给定像素点p，设该点亮度为L，特征点界定灰度值阈值为L_t；

步骤5a-2，给定半径r，设以像素p为中心、r为半径的圆形边界所覆盖的像素数目为N；

步骤5a-3，设定像素数目阈值M，用于角点判定，如果圆形边界上，存在灰度值超过(L+L_t)或灰度值低于(L-L_t)的像素数量大于M，则判断像素p为特征点；

进行BRIEF特征描述，包括如下步骤：

步骤5b-1，对图像进行高斯滤波；

步骤5b-2，以特征点为中心，选取大小为S×S的邻域，在该邻域内随机选择一对像素点对(x，y)进行二进制赋值，以τ表示邻域内一像素点对的二进制数值，记为：

其中，L(·)表示一点的灰度值；

步骤5b-3，在邻域中继续随机选取D对点对，重复步骤5b-2中的二进制赋值，形成特征点的二进制编码，从而完成对该特征点的描述，即特征描述子；

划定候选区域范围；

步骤5中，所述划定候选区域范围具体包括：由特征点的提取结果得到特征点间相对距离、特征点间相对距离比例、特征点相对位置信息，与建筑物轮廓线数据库中建筑物边界轮廓信息、建筑物边角点位置信息进行匹配搜索，根据匹配相似度能够选定可能的候选位置，将匹配得到的候选位置坐标作为候选区域的中心位置坐标，并根据载体的最大速度，确定载体在运算平均时间内的最大移动距离，从而约束候选区域半径以划定候选区域范围；

步骤6包括：利用步骤3中的卫星信号接收类型判定模型，输入新接收到的GNSS原始观测量得到当前该卫星信号的接收类型，并根据卫星星历获取判定为LOS卫星的卫星坐标其中下标i表示卫星号，i＝1，2，…，n，n为卫星总数；利用距离候选选区域中心最近的两相邻基准点的精确坐标插值得到候选区域中心位置坐标其中基准点精准坐标的下标k表示基准点坐标号，侯选位置坐标下标j表示候选区域号，m表示候选区域总数；计算候选区域中心位置j至卫星i的伪距以得到计算伪距如下式所示：

并与接收到的接收伪距作差，得到计算伪距与模拟伪距的差值其中，Δρ_ij表示第i号卫星到第j个候选区域的计算伪距与接受伪距之间的伪距差值；予以差值较小的候选区域以较高的权重，最佳候选区域的获取方法如下：

步骤c1，将所有伪距差值执行(0，1)归一化：

令伪距差值的最大值与最小值分别为Δρ_max与Δρ_min，则有：

其中，为由上式得到的归一化结果；

步骤c2，对每颗卫星得到的归一化伪距误差进行排序与候选区域投票，归一化数值最大，得票一份，对每颗卫星执行此步骤；

步骤c3，结合各卫星执行结果，统计各候选区域分数，选定得分最高者为最佳候选区域。

2.根据权利要求1所述的方法，其特征在于，步骤7包括：在步骤5中基于载体最大速度划定的候选区域内利用基准点精确坐标进行插值，获取最佳候选区域内的位置坐标(X_t，Y_t，Z_t)，t＝1，2，…，h，下标t表示侯选位置号，h表示侯选位置总数；

比较各插值所得的坐标点至卫星间的计算伪距与实际接收伪距之间差值的大小，最终确定差值最小的位置为最终输出的精确位置解，其中，卫星i到侯选位置t的伪距差值Δρ_it为：

予以差值较小的候选位置以较高的权重，最佳候选区域的获取方法如下：

步骤d1，将所有伪距差值执行(0，1)归一化：

令伪距差值的最大值与最小值分别为Δρ_max与Δρ_min，则有：

其中，为由上式得到的伪距差值归一化结果，伪距差值越小则归一化数值越大；

步骤d2，对每颗卫星得到的归一化伪距误差进行排序与候选区域投票；

步骤d3，结合各卫星执行结果，统计各候选区域分数，选定得分最高者为最终输出的精确位置解。