该文档报告了一项单一的原创性研究，属于类型a。
基于多层感知机的非视距信号检测提升城市环境PPP-RTK车辆导航性能
一、 研究团队与发表信息
本研究的主要作者包括来自武汉大学测绘学院的Xin Li、Qi Xu、Xingxing Li、Zhiheng Shen、Yuxuan Zhou，以及来自腾讯的Hao Xin和Yilong Yuan。通讯作者为Xingxing Li。这项研究成果以题为“Improving PPP‑RTK‑based vehicle navigation in urban environments via multilayer perceptron‑based NLOS signal detection”的原创文章形式，发表于学术期刊《GPS Solutions》2024年第28卷第29期。文章于2023年6月4日收稿，2023年10月21日接受，并于2023年11月14日在线发表。
二、 学术背景与研究目的
本研究属于全球导航卫星系统（GNSS）高精度定位与导航领域，具体聚焦于PPP-RTK（精密单点定位-实时动态）技术在复杂城市环境中的应用挑战与性能提升。PPP-RTK技术融合了传统精密单点定位（PPP）和实时动态（RTK）技术的优势，能够为单台接收机用户提供厘米级的绝对定位服务，覆盖范围广，被视为自动驾驶、无人机等新兴应用的首选技术之一。然而，在城市密集环境（如城市峡谷）中，建筑物等障碍物会严重遮挡GNSS信号，导致视距（LOS）信号频繁受阻，并产生多路径和非视距（NLOS）效应。多路径和NLOS信号会引入显著的观测误差，在严重情况下可能导致PPP-RTK定位误差达到数十甚至数百米，这严重阻碍了高精度GNSS服务在城市地区的广泛应用。
为了应对这一挑战，学术界已探索了多种方法，包括天线设计、接收机信号处理、以及基于观测值后处理的信号分类与权重调整等。近年来，机器学习算法凭借其处理非建模数据和利用多种特征的优势，在GNSS信号分类领域展现出巨大潜力。已有研究利用决策树、支持向量机（SVM）、卷积神经网络（CNN）和梯度提升决策树（GBDT）等算法进行LOS/NLOS信号分类，并在静态实验中取得了一定定位精度提升。然而，现有研究大多在静态模式下验证，对城市动态运动场景下的性能验证不足，且较少关注NLOS效应对PPP-RTK等高精度定位方法的影响。
因此，本研究旨在开发一种基于机器学习算法的NLOS信号检测新方法，以提升PPP-RTK在城市环境中的动态定位性能。具体目标包括：1）构建一个基于多层感知机（MLP）的信号分类器，利用GNSS观测特征准确识别NLOS信号；2）开发一个融合分类结果及预测置信度的新型随机模型（权重方案），并将其应用于PPP-RTK处理中；3）通过在不同城市区域（街道、立交桥、城市峡谷）进行车载动态实验，全面验证所提方法的有效性。
三、 研究详细工作流程
本研究的工作流程主要分为离线训练和在线应用两个阶段，核心是MLP分类器的构建与PPP-RTK处理框架的融合。
1. 特征选择与标签生成： 首先，研究选取了三个关键的GNSS观测特征作为分类器的输入：信号强度（C/N0）、卫星高度角以及伪距一致性。其中，伪距一致性被定义为观测伪距与由多普勒测量值预测的伪距之间的差值，它反映了观测值的瞬时变化率，对NLOS引起的突变较为敏感。为了获得监督学习所需的“真实”信号类型标签（LOS或NLOS），研究采用了创新的数据标注方法。他们在实验车辆顶部安装了一台向上拍摄的鱼眼相机，该相机具有广角视野。通过图像处理步骤（分割天空与遮挡区域、利用卫星高度角/方位角和相机参数将卫星坐标投影到图像平面），可以判断投影后的卫星是落在天空区域（标记为LOS）还是被遮挡区域（标记为NLOS）。这种方法提供了相对可靠的“地面真值”，用于训练和验证机器学习模型。研究将NLOS和多路径信号统一视为一类进行处理。
2. MLP信号分类器的设计与训练： 研究设计了一个包含一个输入层、五个隐藏层和一个输出层的多层感知机（MLP）网络。输入层接收上述三个特征（两个频率的C/N0和伪距一致性，加上卫星高度角，共五个输入）。网络结构依次为：512维（全连接FC + ReLU激活函数 + 批归一化BN）、256维、96维、16维和2维的隐藏层。最后，输出层通过全连接层和Sigmoid激活函数，输出一个一维的NLOS置信度值（介于0到1之间）。该值越接近1，表示信号被预测为NLOS的概率越高。训练时，采用二元交叉熵作为损失函数，并使用梯度下降和反向传播算法来优化网络参数。研究还通过对比不同特征组合的分类准确率和假阴性概率，验证了所选特征的有效性，并发现卫星高度角是所有特征中最重要的。
3. 集成MLP的PPP-RTK算法（PPP-RTK-MLP）与新随机模型： 这是本研究的核心创新点。在线应用阶段，将训练好的MLP模型与PPP-RTK处理流程相结合。对于每一历元的GNSS观测数据，首先提取特征并输入MLP模型，得到每个卫星信号的分类结果（LOS/NLOS）及其对应的预测置信度。然后，将这些信息融入观测值的随机模型（即权重方案）中，而非简单地剔除NLOS信号。 * 对于被预测为LOS的信号，在传统的依赖于卫星高度角的权重模型基础上，引入分类置信度进行修正。具体而言，观测值的协方差与 1/(sin(高度角) * (1 - P_nlos)) 成正比，其中 P_nlos 是模型预测该信号为NLOS的置信度。这意味着，即使被分类为LOS，如果模型对其判断的置信度较低（P_nlos较高），该观测值获得的权重也会降低。 * 对于被预测为NLOS的信号，则在其权重上乘以一个较大的衰减因子（研究中设为100），显著降低其在平差计算中的贡献。 这种动态权重分配策略，既削弱了NLOS信号的有害影响，又在一定程度上保留了其几何贡献，避免了在卫星严重遮挡时因剔除过多卫星而导致解算失败的问题。
4. 实验设计与数据处理策略： 为验证方法，研究在武汉市区进行了多次车载动态实验。数据分为训练集和两个测试集。训练集用于训练MLP模型。两个测试集路线（红色和黄色）涵盖了街道、立交桥和高密度建筑的城市峡谷等典型挑战性环境。实验车辆配备了多种设备：用于测试的低成本GNSS接收机（u-blox F9P，测试1）和高精度GNSS接收机（Septentrio PolaRx5，测试2）、用于获取参考轨迹的战术级IMU（STARNEXO XW-GI7660），以及用于生成标签的向上鱼眼相机（FLIR BFS-PGE-31S4C）。参考轨迹通过高精度GNSS/INS紧组合RTK解算并结合双向平滑算法获得。PPP-RTK处理采用了GPS、Galileo和BDS三系统数据，使用GFZ提供的精密星历和钟差产品，并利用开源软件GREAT-UPD解算卫星相位偏差，以生成大气改正数并实现模糊度快速固定。
四、 主要研究结果
1. 特征分析与分类结果： 对训练数据的分析清晰展示了LOS与NLOS信号在所选特征上的分布差异。例如，LOS信号的C/N0值分布峰值高于NLOS信号；所有LOS信号的高度角均大于20度，且分布比NLOS更集中；LOS信号的伪距一致性值更倾向于小值。这些差异证明了所选特征的有效性。MLP分类器在包含全部五个特征的集合上取得了最佳性能：分类准确率达到94.1%，假阴性概率（漏检NLOS的概率）仅为3.3%。特征重要性分析表明，卫星高度角是最重要的特征，其次是两个频率的C/N0，最后是伪距一致性。
2. 整体定位性能提升： 在两个测试实验中，提出的PPP-RTK-MLP方法与传统PPP-RTK方法相比，定位序列更连续、稳定，异常值显著减少。 * 测试1（低成本接收机）： PPP-RTK-MLP在东、北、天方向的精度（RMSE）分别为0.255米、0.217米和1.416米，相比传统方法提升了25.2%、30.4%和37.1%。三维定位精度提升了36.7%。 * 测试2（高精度接收机）： 提升更为显著，水平方向精度从亚米级提升到分米级，三维定位精度提升了42.3%。 在定位可用性方面，PPP-RTK-MLP也表现出巨大优势。在测试1中，水平定位误差小于0.1米的可用性从34.9%大幅提高到76.3%。在测试2中，水平定位误差小于1米的可用性从69.5%提升至92.1%。
3. 在不同城市环境下的性能分析： 研究进一步选取了三个典型场景进行深入分析： * 部分遮挡的街道： 传统PPP-RTK的定位误差在4米范围内波动，而PPP-RTK-MLP能实现连续厘米级定位。水平与垂直精度分别达到0.02米和0.06米。 * 立交桥（严重遮挡）： 当卫星数量骤减时，传统方法会出现巨大的定位误差。PPP-RTK-MLP虽然精度下降至米级，但成功抑制了大部分由NLOS引起的突变误差，保持了相对收敛的状态。 * 城市峡谷（高楼密集区）： 这是最具挑战性的环境。PPP-RTK-MLP依然展现了优异的性能，与传统方法相比，水平定位精度提升了67.8%，垂直定位精度更是大幅提升了80.3%。在三维定位可用性方面，新方法在0.5米和1米误差区间内的可用性也得到了显著改善。
五、 研究结论与价值
本研究成功提出并验证了一种基于多层感知机（MLP）的NLOS信号检测新方法，并将其与PPP-RTK技术深度融合，显著提升了其在城市复杂环境下的动态定位性能。结论表明： 1. 方法有效性： 所提出的PPP-RTK-MLP方法在城市多种场景下均优于传统PPP-RTK，在定位精度和可用性上均有大幅提升。 2. 技术贡献： 提出的基于MLP分类结果和预测置信度的新型随机模型，能够智能地调整不同质量观测值的权重，在抑制NLOS误差的同时，最大限度地利用观测信息，增强了系统的鲁棒性。 3. 应用价值： 该研究为解决PPP-RTK在城市环境中因信号遮挡和反射导致的性能退化问题提供了有效的机器学习解决方案，推动了高精度GNSS定位技术在自动驾驶、智能交通等领域的实用化进程。
六、 研究亮点
P_nlos），实现了对观测值质量的更精细、更动态的评估与利用，这是超越简单信号剔除策略的关键。七、 其他有价值内容
研究在讨论部分也指出了当前方法的局限性与未来方向：尽管所提方法能有效削弱NLOS影响，但在复杂的城市环境中，由于频繁的数据中断，仍难以保证每个历元都能实现瞬时模糊度固定。因此，未来需要进一步研究在各种城市环境下快速、稳健的PPP-RTK模糊度解算方法。这为后续研究指明了方向。此外，研究团队公开了实验数据集，这有助于其他研究者进行复现和对比研究，体现了研究的可重复性和开放性。