IPNL 智能定位与导航实验室 搜索 EN 简 繁

PositionNet: CNN-based GNSS positioning in urban areas with residual maps

Xu, P., Zhang, G., Yang, B., Hsu, L. T.

Applied Soft Computing (2023)

journal Q1 精选页面
DOI
显示 PositionNet solutions 与 ground truth 的香港路线地图。
图 4 视觉组合：香港路线地图显示 PositionNet solutions 与 ground truth 的对比。

图像

在 CNN 架构之前，论文先定义卫星距离残差如何变成围绕最小二乘解的图像式输入。

Geometry of the range residual map with satellite direction, sampling location, and user location.
图 1：PositionNet 输入残差图的几何关系。

SDRes 图通过与主卫星做差来去除接收机钟差，为网络形成更清晰的位置模式。

Single-differenced residual map layers intersecting at the user location.
图 2：当多个 LOS 卫星一致时，SDRes 图会强化位置模式。

第一组结果把 PositionNet 输出映射到多个城市区域，展示其在单一场景之外的验证和测试表现。

Validation and testing PositionNet results over Tsim Sha Tsui, Whampoa, Mong Kok, and Kowloon Bay maps.
图 4：显示在城市地图上的验证和测试结果。

案例研究进一步放大一个最小二乘误差较大的样例，展示输出热力图如何指向修正后的位置。

Case 1 PositionNet solution map and output heat map.
图 5：案例 1 的定位解和输出热力图。

显著性图解释该案例中哪些卫星残差、SDRes 和 C/N0 图层影响了网络判断。

Case 1 saliency map grid showing residual maps, SDRes maps, C/N0 maps, and saliency responses.
图 6：案例 1 的显著性图，解释哪些卫星残差模式影响了网络。

汇总显著性图把案例级解释扩展到验证和测试数据中的测量质量。

Scatter plots of saliency map weighting versus pseudorange error for validation and testing data.
图 11：验证和测试数据中显著性图权重与伪距误差的关系。