GNSS定位方法及装置、设备、存储介质与流程

gnss定位方法及装置、设备、存储介质
技术领域
1.本技术实施例涉及计算机技术，涉及但不限于一种gnss定位方法及装置、设备、存储介质。


背景技术：

2.随着科技的快速发展，全球卫星导航系统(global navigation satellitesystem，gnss)以其具有全天候、高精度等优点，已广泛应用于测量、导航、地质灾害监测等众多领域。且其具有的定位功能在手机、智能穿戴、智慧物流、共享单车、定位器等应用方面也得到了普及，成为市场产品中必备的一个功能。
3.其中，在gnss接收设备进行定位时，一般会利用获取到的每颗卫星的观测数据，估算卫星与接收设备之间的距离，并基于每颗卫星在空间中的位置坐标，通过定位算法确定出接收设备的位置信息。
4.在上述定位过程中，即使采用修正算法对定位过程中的误差进行修正，仍会存在一定量的误差，因此需要新的修正定位的技术手段，来对定位误差进行修正，以提高定位准确度。


技术实现要素：

5.有鉴于此，本技术实施例提供的gnss定位方法及装置、设备、存储介质，能够修正定位误差，提高定位精度。本技术实施例提供的gnss定位方法及装置、设备、存储介质是这样实现的：
6.本技术实施例提供的gnss定位方法，包括：
7.获取接收设备接收到的待测卫星的第一观测数据；
8.对所述第一观测数据进行解析，得到第一样本数据集，所述第一样本数据集包括所述待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；
9.根据第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。
10.在一些实施例中，坐标修正模型包括特征提取网络、注意力机制模块和融合模块，所述根据所述第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，包括：
11.通过所述坐标修正模型中的特征提取网络对所述第一样本数据集进行特征提取处理，得到多级局部特征矩阵；
12.通过所述坐标修正模型中的注意力机制模块对所述第一样本数据集进行特征提取处理，得到全局上下文特征矩阵；
13.通过所述坐标修正模型中的融合模块对所述多级局部特征矩阵和所述全局上下文特征矩阵进行融合处理，生成所述修正后的定位坐标。
14.在一些实施例中，坐标修正模型包括n个层级结构，n》0，所述通过所述坐标修正模型中的融合模块对所述多级局部特征矩阵和所述全局上下文特征矩阵进行融合处理，生成所述修正后的定位坐标，包括：
15.将经由所述特征提取网络中提取得到的第i层局部特征矩阵，与经由融合模块得到的第i-1层融合特征矩阵进行融合处理，得到第i层中间特征矩阵，0《i≤n；
16.根据所述第i层中间特征矩阵和经由注意力机制模块提取得到的第i层全局上下文特征矩阵，得到第i层目标特征矩阵；
17.循环执行上述步骤，直至得到每一层级对应的目标特征矩阵；
18.根据所述每一层级对应的目标特征矩阵，生成所述修正后的定位坐标。
19.在一些实施例中，根据所述第i层中间特征矩阵和经由注意力机制模块提取得到的第i层全局上下文特征矩阵，得到第i层目标特征矩阵，包括：
20.通过所述注意力机制模块提取得到第i层的自注意力权重矩阵和自注意力加权特征矩阵；
21.将所述第i层中间特征矩阵与经由注意力机制模块提取得到的第i层全局上下文特征矩阵进行融合处理，得到第i层候选特征矩阵；
22.将所述候选特征矩阵、所述自注意力权重矩阵和所述自注意力加权特征矩阵进行融合处理，得到所述第i层目标特征矩阵。
23.在一些实施例中，特征提取网络包括n个残差块，每一残差块中包含有卷积模块，所述通过所述坐标修正模型中的特征提取网络对所述第一样本数据集进行特征提取处理，得到多级局部特征矩阵，包括：
24.通过第i个残差块中的卷积模块，对所述第一样本数据集进行特征提取处理，得到当前残差块对应的第一局部特征矩阵；
25.将所述第i个残差块对应的第一局部特征矩阵和经由第i个残差块对所述第一局部特征矩阵进行映射处理得到的映射特征矩阵进行融合处理，得到中间特征矩阵，并将所述中间特征矩阵输入至第i+1个残差块中，以通过所述第i+1个残差块中的卷积模块对所述中间特征矩阵进行特征提取处理，得到所述第i+1个残差块对应的第二局部特征矩阵；
26.循环执行上述步骤，直至得到第n个残差块对应的局部特征矩阵；
27.综合每一残差块对应的局部特征矩阵，得到所述多级局部特征。
28.在一些实施例中，残差块包括卷积层、归一化层、激活函数和残差单元。
29.在一些实施例中，特征提取网络为深度残差网络resnet，所述注意力机制模块为基于移动窗口的注意力机制模块swin transformer模型。
30.在一些实施例中，所述深度残差网络resnet和所述融合模块中采用relu激活函数，所述swin transformer模型中采用gelu非线性激活函数。
31.在一些实施例中，坐标修正模型的训练过程包括：
32.获取接收设备接收到的多个测试卫星的第二观测数据；
33.对所述第二观测数据进行解析处理，得到第二样本数据集，所述第二样本数据集包括各所述测试卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；
34.根据所述第二样本数据集，对预先构建好的神经网络模型进行训练，得到对所述
接收设备的预测修正坐标；
35.将所述预测修正坐标与训练目标进行求差处理，得到差值结果；
36.在所述差值结果大于第一阈值的情况下，更新所述神经网络模型的权重参数，并重新将所述第二样本数据集输入至更新后的所述神经网络模型中，直至得到的差值结果小于第一阈值，或直至达到目标迭代次数时，将当前次得到的神经网络模型作为所述坐标修正模型。
37.本技术实施例提供的gnss定位装置，包括：
38.获取模块，用于获取接收设备接收到的待测卫星的第一观测数据；
39.解析模块，用于对第一观测数据进行解析，得到第一样本数据集，所述第一样本数据集包括所述待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；
40.定位模块，用于根据所述第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，所述坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。
41.本技术实施例提供的计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术实施例所述的方法。
42.本技术实施例提供的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本技术实施例提供的所述的方法。
43.本技术实施例所提供的gnss定位方法、装置、计算机设备和计算机可读存储介质，通过获取接收设备接收到的待测卫星的第一观测数据；对第一观测数据进行解析，得到第一样本数据集，该第一样本数据集包括待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；根据第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。这样，能够通过卷积神经网络获取局部特征，并通过注意力机制模块获取上下文特征，再将局部特征和上下文特征融合在一起，从而能够在编码器阶段获取丰富的局部和全局信息，以避免信息的丢失，进而获取更为精准的定位结果，解决背景技术中所提出的技术问题。
附图说明
44.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本技术的实施例，并与说明书一起用于说明本技术的技术方案。
45.图1为本技术实施例提供的gnss定位方法实施环境的示意图；
46.图2为本技术实施例提供的一种gnss定位方法的实现流程示意图；
47.图3为本技术实施例提供的对坐标修正模型的训练流程示意图；
48.图4为本技术实施例提供的另一gnss定位方法的实现流程示意图；
49.图5为本技术实施例提供的特征提取方法的实现流程示意图；
50.图6为本技术实施例提供的特征提取网络的结构示意图；
51.图7为本技术实施例提供的注意力机制模块的结构示意图；
52.图8为本技术实施例提供的特征融合方法的实现流程示意图；
53.图9为本技术实施例提供的融合模块的结构示意图；
54.图10为本技术实施例提供的一种特征融合方法的实现流程示意图；
55.图11为本技术实施例提供的gnss定位装置的结构示意图；
56.图12为本技术实施例提供的计算机设备的结构示意图。
具体实施方式
57.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术的具体技术方案做进一步详细描述。以下实施例用于说明本技术，但不用来限制本技术的范围。
58.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
59.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
60.需要指出，本技术实施例所涉及的术语“第一\第二\第三”用以区别类似或不同的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本技术实施例能够以除了在这里图示或描述的以外的顺序实施。
61.在对本技术实施例进行描述之前，首先对本技术实施例中所使用的名词进行解释。
62.gnss：gnss的全称是全球导航卫星系统(global navigation satellite system)，它是泛指所有的卫星导航系统，包括全球的、区域的和增强的。gnss是覆盖全球的自主地利空间定位的卫星系统，用于导航与定位测量，简单来讲，gnss系统就是利用卫星信号传输实时位置与时间信息，并从而计算得到地面接收设备的经纬度等地理位置信息。
63.接收设备：接收设备多指基准站和移动站。其中，基准站是对卫星导航信号进行长期且连续的探测，并由通信装置将其探测的数据实时或者定时传送至数据中心的地面固定探测站。在实际应用中，基准站可以是在某一符合基准站架设条件的固定位置所架设的实体站，也可以是通过虚拟参考站技术生成的一个虚拟基准站。移动站是在基准站的一定范围内可移动作业的设备上设立的探测站。例如，在智能汽车定位的场景下，基准站可固定安装在道路周边一些符合基准站架设条件的空地或者建筑物上。移动站可以被设置在智能汽车上，或者说该移动站就是智能汽车本身。在实际应用中，基准站和移动站又可统称为接收机或接收设备。在实际工作过程中，基准站和移动站都会对gnss中的某些卫星进行探测，并获得相应的观测数据。
64.伪距：是指卫星定位过程中，地面接收机到卫星之间的大概距离。假设卫星钟和接收机钟严格保持同步，根据卫星信号的发射时间与接收机接收到信号的接收时间就可以得到信号的传播时间，再乘以传播速度就可以得到卫地距离。然而两个时钟不可避免存在钟差，且信号在传播过程中还要受到大气折射等因素的影响，所以通过这种方法直接测得的距离并不等于卫星到地面接收机的真正距离，于是把这种距离称之为伪距。一般情况下，伪
距观测值是指卫星和终端之间的距离观测值。
65.残差：可以认为是观测值扣除其中包含的有用信息后，剩余的部分。可以有余(残差为正)，也可以不足(残差为负)。残差是评价观测值质量好坏的比较直接和客观的标准。观测值质量较好时，残差一定是在零值附近，且抖动较小，反之，观测值则可能较差或者有些偏差或误差项没有被校正完全。该伪距残差是根据伪距观测值确定的。
66.多路径效应误差：是指除卫星的直接信号外，还有测站周围的反射信号到达接收机。多路径信号和直接信号混合后产生干涉，从而使观测值偏离真值产生相位误差，这种误差称为多路径效应误差。
67.下面对本技术实施例的设计思想进行简要介绍：
68.相关技术中，影响gnss定位精度的主要原因是来自系统内外的观测误差，原因包括穿透电离层和对流层产生的误差、卫星高速移动产生的多普勒效应带来的误差、多路径效应误差、通道误差、卫星钟误差、星历误差、内部噪声误差等等。为了更好的消除误差，提高定位精度，相关技术中在gnss中引入了实时动态定位(real-time kinematic，rtk)技术。
69.rtk属于地基增强系统，是一种具有实时处理两个测量站载波相位观测量的差分方法。通过在地面建设参考基准站，从而获知这个参考基准站的准确位置数据，并将这个位置数据写入参考基准站控制器内部。参考基准站内部接收机同时接收卫星载波信号来获取观测数据，并将其与测绘数据处理为差分数据，通过无线通信网络广播给覆盖范围内的接收机。接收设备收到参考基准站差分数据后，结合自身观测数据，调用rtk解算算法，修正观测数据误差，从而获得定位结果。
70.但rtk技术存在的缺点是：在完全遮蔽或严重遮蔽的场景，由于卫星信号不佳，无法输出准确的定位数据；在网络信号不佳时，无法获得参考基准站的差分数据，导致无法输出准确的定位数据；在不增加额外硬件条件下，无法输出载体的姿态数据；在多金属的工作场景会受到多路径影响，导致定位数据的假固定；定位数据输出频率较低，短期精度较低。
71.可见，相关技术中所提供的定位方法，在对定位结果进行修正，输出修正后的定位坐标时，该定位坐标与实际坐标仍可能会存在一定量的误差，从而会导致定位精度不够。
72.有鉴于此，本技术实施例提供一种gnss定位方法，通过实施该方法，能够修正定位误差，提高定位精度。
73.图1给出一种本技术实施例提供的gnss定位方法实施环境的示意图，该实施环境可以包括：终端设备10，至少一个接收设备20，数据中心30和至少一个卫星40。
74.终端设备10可以是诸如手机、平板电脑、可穿戴设备(如智能手环、智能手表)、pc(personalcomputer，个人计算机)等具有定位功能的电子设备，或者是其它拥有能够接收、跟踪、变换和测量gps(globalpositioningsystem，全球定位系统)信号的接收设备。终端10可接收卫星40发送的信号，终端10通过对该信号进行处理后得到其所需要的服务信息，如卫星轨道数据。
75.接收设备20可为基准站和移动站等，其通常配置有gps接收机、数据传输设备及气象设备等。接收设备20可以对卫星信号进行长期的连续观测，并接收记录卫星50发送的信号，还可以通过通信网络定时或者实时向数据中心30提供数据。接收设备20组成基准站网络(或称为参考站网络)，需要至少三个接收设备20来使得数据中心30生成vrs。
76.数据中心30可包括服务器、工作站、网络传输设备、电力设备、数据记录设备、系统
安全设备等。数据中心30主要负责整个系统的数据处理、数据分析和计算存储、生成、传输、记录、数据管理、维护和分发。数据中心30可以根据终端10提供的概略位置有针对性地提供服务，例如选择与该终端10位置最合适的基准站20。
77.其中，终端10、接收设备20和数据中心30之间可通过通信网络建立通信连接。如终端10和数据中心30之间可基于无线方式进行通信，例如通过gsm(global system for mobile communication，全球移动通信系统)、gprs(general packet radio service，通用分组无线服务技术)网络、cdma(code division multiple access，码分多址)网络、lte(long term evolution，长期演进)网络等联接。接收设备20和数据中心30之间通常是基于有线方式(如光纤)进行通信连接。
78.图2为本技术实施例提供的gnss定位方法的实现流程示意图。如图2所示，该方法应用于终端设备，可以包括以下步骤201至步骤203：
79.步骤201，获取接收设备接收到的待测卫星的第一观测数据。
80.在本技术实施例中，对于待测卫星的数量不作限定，如待测卫星可以为一个，也可以为多个，如为单个历元内所有的待测卫星。
81.在本技术实施例中，接收设备在接收待测卫星的第一观测数据时，可为接收待测卫星在不同时刻和不同频段下的第一观测数据。也即，每一待测卫星可以对应有多种第一观测数据。
82.其中，所谓不同频段，是指gps一共使用三种频段的无线电波，由于它们都位于无线电频谱的l频段，所以它们分别被称为l1(中心频率1575.42mhz)、l2(中心频率1227.60mhz)和l5(中心频率1176.45mhz)。其中，单频接收设备只能接收l1载波信号，测定载波相位观测值进行定位。双频接收机可以同时接收l1，l2载波信号。
83.步骤202，对第一观测数据进行解析，得到第一样本数据集，第一样本数据集包括待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种。
84.可以理解地，第一观测数据中包含的数据量较大，若基于所有数据进行后续定位求解，则会存在计算量较大，功耗较多的问题；同时，在进行定位处理时，特征量的选择也会直接影响最终的定位精度。
85.因此，在本技术实施例中，结合实际需求，通过对第一观测数据进行解析，仅保留待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况和定位解状态，以基于上述数值进行后续的定位求解。
86.这里，待测卫星的状态值可包括待测卫星的高度角、方位角等。
87.其中，卫星高度角和卫星方位角可以通过gnss原始信号并结合星历文件计算得到，而载噪比可以直接从接收机中提取，具体获取过程可以按照该卫星特征值的常规计算步骤得到，在此将不再赘述。
88.在一些实施例中，待测卫星的信号质量情况可为预先处理得到的，如通过信号分类模型和第一观测值，先对待测卫星的信号质量进行分类，以确定出该待测卫星的信号质量情况，再基于信号质量较好的待测卫星进行后续定位处理。
89.步骤203，根据第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。
90.可以理解地，常规的坐标修正手段中，较多依靠从业者的经验对不同数据进行经验性的修正、对误差的推算较为复杂、对不同数据的修正难以总结出一个通用规律。
91.因此，本技术实施例中，提供一个预先训练好坐标修正模型，以基于该坐标修正模型和第一样本数据集，得到修正后的定位坐标。这样，即可让程序在无人工干预的情况下对已知或未知的情境做出判断或预测，分析常规手段所不能发现的数据背后的规律，进而辅助常规手段进行定位精度的优化。
92.在得到预先训练好的坐标修正模型后，即可将提取到的待测卫星的第一样本数据集输入至预先训练好的目标质量评估模型中，以获得修正后的定位坐标，从而提高定位准确度。
93.其中，本技术中所使用的坐标修正模型可为神经网络模型。
94.神经网络通过模拟人类大脑的神经元神经网络处理进行数据信息处理，分为输入层、隐藏层以及输出层三部分，输入层单元接受外部的信号与数据，隐藏层处在输入层和输出单元之间，主要用于调整神经元的连接权值与单元间的连接强度，最终处理结果传递到输出层，输出层结果被激活函数激活后实现系统处理结果的输出。而深度学习可以简单地理解为具有深层网络结构的人工神经网络，与人工神经网络相比，其网络结构更加复杂，计算量也更大，适合用于定位数据这种数据量大的数据。
95.进一步地，为避免特征丢失，本技术实施例中所使用的坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。这样，通过卷积神经网络获取局部特征，并通过注意力机制模块获取上下文特征，再将局部特征和上下文特征融合在一起，从而能够在编码器阶段获取丰富的局部和全局信息，以避免信息的丢失，进而获取更为精准的定位结果。
96.需要说明的是，本技术实施例中所使用的坐标修正模型是预先训练好的，也即该坐标修正模型中的相关参数已达到最优解。在一些实施例中，该坐标修正模型的训练可以通过执行如下实施例中的步骤301至步骤305来实现：
97.步骤301，获取接收设备接收到的多个测试卫星的第二观测数据。
98.在本技术实施例中，对于测试卫星的数量不作限定，如测试卫星可以为一个，也可以为多个。
99.在本技术实施例中，接收设备在接收测试卫星的第二观测数据时，可以为接收测试卫星在不同时刻和不同频段下的第二观测数据。也即，每一而是卫星可以对应有多种第二观测数据。
100.步骤302，对第二观测数据进行解析处理，得到第二样本数据集，第二样本数据集包括各测试卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种。
101.可以理解地，第二观测数据中包含的数据量较大，若基于所有数据进行模型训练，则会存在计算量较大，功耗较多的问题；同时，在进行模型训练时，特征量的选择也会直接影响最终的训练结果。
102.基于此，在本技术实施例中，选择仅保留测试卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况和定位解状态，以基于上述数值进行后续的模型训练，能够在降低计算量的同时，还能够保证对坐标修正模型的训练结果。
103.步骤303，根据第二样本数据集，对预先构建好的神经网络模型进行训练，得到对接收设备的预测修正坐标。
104.该神经网络模型包括输入层、隐藏层和输出层。这里，将训练数据(即第二样本数据集)输入至神经网络模型中，可为先将第二样本数据集输入至神经网络模型中的输入层中，再经由隐藏层进行处理，将处理结果输入至输出层，从而得到对接收设备的预测修正坐标，并保存当前次训练得到的神经网络模型的相关参数。
105.步骤304，将预测修正坐标与训练目标进行求差处理，得到差值结果。
106.在通过神经网络模型进行一次训练得到预测修正坐标后，即可将该预测修正坐标同训练目标进行求差处理，得到当前次的差值结果，该差值结果用于表征当前的神经网络模型的处理精度与目标精度的差距。
107.步骤305，在差值结果大于第一阈值的情况下，更新神经网络模型的权重参数，并重新将第二样本数据集输入至更新后的神经网络模型中，直至得到的差值结果小于第一阈值，或直至达到目标迭代次数时，将当前次得到的神经网络模型作为坐标修正模型。
108.在得到差值结果后，可先判断差值结果是否大于第一阈值(差值较大)，若差值较大，则可更新神经网络模型中的权重参数，并重新对更新后的神经网络模型再次重复上述训练过程，直至得到的差值结果小于第一阈值，或直至到达目标迭代次数后，即可将当前次得到的神经网络模型作为坐标修正模型，从而完成了对模型的训练。可见，该模型是一个反向传播神经网络模型，在此过程中，模型中的训练权重和梯度的更新都是自动的。
109.在本技术实施例中，通过获取接收设备接收到的待测卫星的第一观测数据；对第一观测数据进行解析，得到第一样本数据集，第一样本数据集包括待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；根据第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。这样，能够通过卷积神经网络获取局部特征，并通过注意力机制模块获取上下文特征，再将局部特征和上下文特征融合在一起，从而能够在编码器阶段获取丰富的局部和全局信息，以避免信息的丢失，进而获取更为精准的定位结果。
110.图4为本技术实施例提供的gnss定位方法的实现流程示意图。如图4所示，该方法可以包括以下步骤401至步骤405：
111.步骤401，获取接收设备接收到的待测卫星的第一观测数据。
112.步骤402，对第一观测数据进行解析，得到第一样本数据集，第一样本数据集包括待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种。
113.步骤403，通过坐标修正模型中的特征提取网络对第一样本数据集进行特征提取处理，得到多级局部特征矩阵。
114.需要说明的是，本技术实施例中为避免定位过程中的特征丢失，所提供的坐标修正模型包括特征提取网络、注意力机制模块和融合模块。这样，可通过特征提取网络获取局部特征，并通过注意力机制模块获取上下文特征，再将局部特征和上下文特征融合在一起，从而能够在编码器阶段获取丰富的局部和全局信息，以获取更为精准的定位结果。
115.本技术实施例中的特征提取网络在对第一样本数据集进行特征提取处理时，得到
的是多级局部特征矩阵。为获取多级局部特征矩阵，在一些实施例中，所述特征提取网络中包括n个残差块，每一残差块中包含有卷积模块，因此，可通过执行如下实施例中的步骤501至步骤503来实现步骤403：
116.步骤501，通过第i个残差块中的卷积模块，对第一样本数据集进行特征提取处理，得到当前残差块对应的第一局部特征矩阵，0《i《n。
117.这里，每一残差块对均可对第一样本数据集进行特征提取处理，以得到当前残差块所对应的第一局部特征矩阵。
118.步骤502，将第i个残差块对应的第一局部特征矩阵和经由第i个残差块对第一局部特征矩阵进行映射处理得到的映射特征矩阵进行融合处理，得到中间特征矩阵，并将中间特征矩阵输入至第i+1个残差块中，以通过第i+1个残差块中的卷积模块对中间特征矩阵进行特征提取处理，得到第i+1个残差块对应的第二局部特征矩阵。
119.这里，每一残差块(第i+1个)的输入均为中间特征矩阵，该中间特征矩阵为上一残差块(第i个)对第一样本数据集进行特征提取处理后得到的第一局部特征矩阵，以及上一残差块(第i个)对其对应的第一局部特征矩阵进行映射处理后得到的映射特征矩阵的融合结果。当第i+1个获取到该中间特征矩阵后，即可通过其包含的卷积模块对该中间特征矩阵进行特征提取处理，从而得到该第i+1个残差块所对应的第二局部特征矩阵。
120.步骤503，循环执行上述步骤，直至得到第n个残差块对应的局部特征矩阵；综合每一残差块对应的局部特征矩阵，得到多级局部特征。
121.这里，通过循环执行上述步骤，即可得到每一残差块对应的局部特征矩阵，最终综合每一残差块所对应的局部特征矩阵，则能得到与第一样本集对应的多级局部特征。
122.在一具体的实施例中，该特征提取网络可为深度残差网络resnet。
123.该resnet通过短路机制实现了残差单元进行残差学习，以减轻性能退化。典型的34层resnet结构是一个大型(7*7)卷积滤波器，后跟多个残差块，最后是一个全连接层。因此其网络本质上是由残差块的堆叠而成。残差块的结构如图6所示，其由3
×
3卷积、批归一化、激活函数和残差连接组成。显然，其结构可以分为两部分，其中一部分是将输入x
l
做残差恒等映射，一部分是将x
l
与残差恒等映射f(x
l
,w
l
)的结果相加，残差块最终输出x
l+1
至下一层。即通过如下公式1来实现：
124.x
l+1
＝x
l
+f(x
l
,w
l
)(公式1)；
125.步骤404，通过坐标修正模型中的注意力机制模块对第一样本数据集进行特征提取处理，得到全局上下文特征矩阵。
126.在一具体的实施例中，注意力机制模块为基于移动窗口的注意力机制模块swin transformer模型，通过该注意力机制模块，即可得到第一样本数据集对应的全局上下文特征矩阵。
127.其中，swin transformer是一个通用的transformer主干。其是为了解决vit架构产生的矩阵的复杂度等不足而提出的，同时实现了transformer使用途径的扩展，从而可以在复杂矩阵上进行密集任务的预测。
128.swin transformer模块的具体实现是通过将transformer模块中的标准多头自注意力(multi-head self-attention,msa)模块替换为基于移动窗口(shifted windows,swin)的transformer模块而构建的，其他层保持不变。
129.如图7所示，一个swin transformer模块可由一个基于移动窗口的msa(sw-msa)模块组成，然后是一个2层mlp，中间连接具有gelu非线性激活函数。在w-msa、sw-msa模块和每个mlp之前应用归一化层(layer norm,ln)，在每个模块之后均使用残差连接。
130.步骤405，通过坐标修正模型中的融合模块对多级局部特征矩阵和全局上下文特征矩阵进行融合处理，生成修正后的定位坐标。
131.在本技术实施例中，为有效融合局部特征矩阵和上下文特征矩阵，从而能够在编码器阶段获取丰富的局部和全局信息，以获取更为精准的定位结果，设计一个融合模块对其进行融合。
132.其中，该坐标修正模型包括n个层级结构，n》0，在一些实施例中，可以通过执行如下实施例中的步骤801至步骤804来实现步骤405，即实现对多级局部特征和全局上下文特征的融合：
133.步骤801，将经由特征提取网络中提取得到的第i层局部特征矩阵，与经由融合模块得到的第i-1层融合特征矩阵进行融合处理，得到第i层中间特征矩阵，0《i≤n。
134.这里，在坐标修正模型中的每一层级结构中，均是将由特征提取网络中提取得到的第i层局部特征矩阵，与经由融合模块得到的第i-1层融合特征矩阵进行融合处理，以得到该第i层中间特征矩阵的。
135.也就是说，当前层级结构中的输入为上一层级结构的融合输出和当前层级结构提取得到的局部特征矩阵。
136.举例来说，如图9所示，首先将提供一种融合模块的结构示意图。在该融合模块中，首先将特征提取网络(如resnet网络)分支中第i层输出的局部特征矩阵x
cnn,i
和第i-1阶段融合的融合特征矩阵共同输入至合并单元中，得到合并结果；再对合并结果输入至插值单元中，得到插值结果；再将插值结果输入至3
×
3卷积层和激活函数中，以得到第i层中间特征矩阵x
temp,i
，如公式2所示：
137.x
temp,i
＝relu(conv(interpolate(concat(x
fusion，i-1
，x
cnn,i
))))
ꢀꢀ
(公式2)；
138.步骤802，根据第i层中间特征矩阵和经由注意力机制模块提取得到的第i层全局上下文特征矩阵，得到第i层目标特征矩阵。
139.这里，对于坐标修正模型中的每一层级结构，当前层级结构中的输入还包括经由注意力机制模块提取得到的第i层全局上下文特征矩阵，这样，当前层级结构在处理得到对应的中间特征矩阵后，即可将该中间特征矩阵再与全局上下文特征矩阵进行融合处理，以得到当前层级结构对应的目标特征矩阵。
140.在一些实施例中，可以通过执行如下实施例中的步骤1001至步骤1003来实现步骤802：
141.步骤1001，通过注意力机制模块提取得到第i层的自注意力权重矩阵和自注意力加权特征矩阵。
142.在一些实施例中，由于使用多分支结构，特征融合是计算密集型的。为了缓解这个问题，将自适应平均池化(adativeavgpool)方法添加到后续融合中，构建每个像素和收敛中心之间的关系，具体如下公式3所示：
143.xk＝linear(concat(adaptiveavgpool(x
bn，i
)))
144.xv＝linear(concat(adaptiveavgpool(x
bn，i
)))
ꢀꢀ
(公式3)；
145.xq＝conv(x
bn，i
)
[0146][0147]
其中，xk、xv、xq分别表示自注意力机制计算的键(key)、值(value)、查询(query)。
[0148]
举例来说，请继续参考图9，得到自注意力权重矩阵，得到自注意力加权特征矩阵。
[0149]
步骤1002，将第i层中间特征矩阵与经由注意力机制模块提取得到的第i层全局上下文特征矩阵进行融合处理，得到第i层候选特征矩阵。
[0150]
举例来说，请继续参考图9，在得到第i层中间特征矩阵x
temp,i
后，即可将其与第i层输出的移动窗口transformer分支特征矩阵x
tf,i
(全局上下文特征矩阵)融合，得到归一化后的特征信息(即候选特征矩阵)x
bn,i
，具体如下公式4所示：
[0151]
x
bn,i
＝relu(bn(conv(concat(x
temp,i
，x
tf,i
))))
ꢀꢀ
(公式4)；
[0152]
步骤1003，将中间特征矩阵、自注意力权重矩阵和自注意力加权特征矩阵进行融合处理，得到第i层目标特征矩阵。
[0153]
这里，是将注意力机制模块提取得到第i层的自注意力权重矩阵和自注意力加权特征矩阵与中间特征矩阵进行融合，以得到第i层目标特征矩阵的。
[0154]
举例来说，请继续参考图9，将自注意力权重矩阵、自注意力加权特征矩阵和中间特征矩阵进行融合，得到目标特征矩阵x
fusion，i
。
[0155]
这样，x
fusion，i
中每个位置的特征值是所有位置的特征、局部特征和原始特征的加权和。这个过程实现了分支之间的相似性建模和特征交互。因此，融合模块能够基于全局视图的注意特征图有选择性地聚合上下文信息，并聚合局部信息，弥补transformer分支中空间归纳偏置的不足，从而有效编码远程相关性和深度线索。
[0156]
步骤803，循环执行上述步骤，直至得到每一层级对应的目标特征矩阵。
[0157]
步骤804，根据每一层级对应的目标特征矩阵，生成修正后的定位坐标。
[0158]
需要说明的是，由于定位数据是与时间序列有关的非线性数据，因此，本技术实施例中，在深度残差网络resnet和融合模块中均采用relu激活函数。这样，在增加神经网络的非线性的同时，避免当神经网络反向传播的时候，如果输入值落入饱和区，导数会接近0使后续梯度变小并难以继续训练网络而导致的梯度消失问题，并且解决由于输入激活函数的值总是负的，导致反向传播过程经过该处的梯度恒为0并令对应的权重和偏置参数此次无法得到更新，使得该神经元再也无法学习而导致的神经元死亡问题。
[0159]
另外，由于需要的预测结果是一个具体的坐标，属于回归问题，这里使用平均绝对误差损失(mean absolute error loss，mae)作为损失函数，该损失函数也称为l1 loss。mae假设了误差服从拉普拉斯分布，拉普拉斯分布本身对于异常点的鲁棒性更强。
[0160]
在本技术实施例中，通过获取接收设备接收到的待测卫星的第一观测数据；对第一观测数据进行解析，得到第一样本数据集，该第一样本数据集包括待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；根据第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。这样，能够通过卷积神经网络获取局部特征，并通过注意力机制模块获取上下文特征，再将局部特征
和上下文特征融合在一起，从而能够在编码器阶段获取丰富的局部和全局信息，以避免信息的丢失，进而获取更为精准的定位结果。
[0161]
应该理解的是，虽然上述各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0162]
基于前述的实施例，本技术实施例提供一种虚实结合的画面显示装置，该装置包括所包括的各模块、以及各模块所包括的各单元，可以通过处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(cpu)、微处理器(mpu)、数字信号处理器(dsp)或现场可编程门阵列(fpga)等。
[0163]
图11为本技术实施例提供的gnss定位装置的结构示意图，如图11所示，所述装置1100包括获取模块1101、解析模块1102和定位模块1103，其中：
[0164]
获取模块1101，用于获取接收设备接收到的待测卫星的第一观测数据；
[0165]
解析模块1102，用于对所述第一观测数据进行解析，得到第一样本数据集，所述第一样本数据集包括所述待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；
[0166]
定位模块1103，用于根据所述第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，所述坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。
[0167]
在一些实施例中，所述坐标修正模型包括特征提取网络、注意力机制模块和融合模块，定位模块1103中还包括提取模块和融合模块，其中：
[0168]
所述提取模块，用于通过所述坐标修正模型中的特征提取网络对所述第一样本数据集进行特征提取处理，得到多级局部特征矩阵；以及通过所述坐标修正模型中的注意力机制模块对所述第一样本数据集进行特征提取处理，得到全局上下文特征矩阵；
[0169]
所述融合模块，用于通过坐标修正模型中的融合模块对所述多级局部特征矩阵和所述全局上下文特征矩阵进行融合处理，生成所述修正后的定位坐标。
[0170]
在一些实施例中，所述坐标修正模型包括n个层级结构，n》0，所述融合模块，具体用于将经由所述特征提取网络中提取得到的第i层局部特征矩阵，与经由融合模块得到的第i-1层融合特征矩阵进行融合处理，得到第i层中间特征矩阵，0《i≤n；根据所述第i层中间特征矩阵和经由注意力机制模块提取得到的第i层全局上下文特征矩阵，得到第i层目标特征矩阵；循环执行上述步骤，直至得到每一层级对应的目标特征矩阵；根据所述每一层级对应的目标特征矩阵，生成所述修正后的定位坐标。
[0171]
在一些实施例中，所述融合模块，具体还用于通过所述注意力机制模块提取得到第i层的自注意力权重矩阵和自注意力加权特征矩阵；将所述第i层中间特征矩阵与经由注意力机制模块提取得到的第i层全局上下文特征矩阵进行融合处理，得到第i层候选特征矩阵；将候选特征矩阵、自注意力权重矩阵和所述自注意力加权特征矩阵进行融合处理，得到
所述第i层目标特征矩阵。
[0172]
在一些实施例中，所述特征提取网络包括n个残差块，每一残差块中包含有卷积模块，所述提取模块，具体用于通过第i个残差块中的卷积模块，对所述第一样本数据集进行特征提取处理，得到当前残差块对应的第一局部特征矩阵；将所述第i个残差块对应的第一局部特征矩阵和经由第i个残差块对所述第一局部特征矩阵进行映射处理得到的映射特征矩阵进行融合处理，得到中间特征矩阵，并将所述中间特征矩阵输入至第i+1个残差块中，以通过所述第i+1个残差块中的卷积模块对所述中间特征矩阵进行特征提取处理，得到所述第i+1个残差块对应的第二局部特征矩阵；循环执行上述步骤，直至得到第n个残差块对应的局部特征矩阵；综合每一残差块对应的局部特征矩阵，得到所述多级局部特征。
[0173]
在一些实施例中，所述残差块包括卷积层、归一化层、激活函数和残差单元。
[0174]
在一些实施例中，所述特征提取网络为深度残差网络resnet，所述注意力机制模块为基于移动窗口的注意力机制模块swin transformer模型。
[0175]
在一些实施例中，所述深度残差网络resnet和所述融合模块中采用relu激活函数，所述swin transformer模型中采用gelu非线性激活函数。
[0176]
在一些实施例中，所述装置还包括训练模块，获取模块1101，还用于获取接收设备接收到的多个测试卫星的第二观测数据；解析模块1102，还用于对所述第二观测数据进行解析处理，得到第二样本数据集，所述第二样本数据集包括各所述测试卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；所述训练模块，用于根据所述第二样本数据集，对预先构建好的神经网络模型进行训练，得到对所述接收设备的预测修正坐标；将所述预测修正坐标与训练目标进行求差处理，得到差值结果；在所述差值结果大于第一阈值的情况下，更新所述神经网络模型的权重参数，并重新将所述第二样本数据集输入至更新后的所述神经网络模型中，直至得到的差值结果小于第一阈值，或直至达到目标迭代次数时，将当前次得到的神经网络模型作为所述坐标修正模型。
[0177]
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本技术装置实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
[0178]
需要说明的是，本技术实施例中图11所示的gnss定位装置对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。也可以采用软件和硬件结合的形式实现。
[0179]
需要说明的是，本技术实施例中，如果以软件功能模块的形式实现上述的方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本技术实施例不限制于任何特定的硬件和软件结合。
[0180]
本技术实施例提供一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种gnss定位方法。
[0181]
本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的方法中的步骤。
[0182]
本技术实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法实施例提供的方法中的步骤。
[0183]
本领域技术人员可以理解，图12中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0184]
在一个实施例中，本技术提供的gnss定位装置可以实现为一种计算机程序的形式，计算机程序可在如图12所示的计算机设备上运行。计算机设备的存储器中可存储组成该装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的gnss定位方法中的步骤。
[0185]
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本技术存储介质、存储介质和设备实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
[0186]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
[0187]
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如对象a和/或对象b，可以表示：单独存在对象a，同时存在对象a和对象b，单独存在对象b这三种情况。
[0188]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0189]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其
它的方式实现。以上所描述的实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0190]
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的，作为模块显示的部件可以是、或也可以不是物理模块；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。
[0191]
另外，在本技术各实施例中的各功能模块可以全部集成在一个处理单元中，也可以是各模块分别单独作为一个单元，也可以两个或两个以上模块集成在一个单元中；上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0192]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0193]
或者，本技术上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0194]
本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
[0195]
本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
[0196]
本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0197]
以上所述，仅为本技术的实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种gnss定位方法，其特征在于，所述方法包括：获取接收设备接收到的待测卫星的第一观测数据；对所述第一观测数据进行解析，得到第一样本数据集，所述第一样本数据集包括所述待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；根据所述第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，所述坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。2.根据权利要求1所述的方法，其特征在于，所述坐标修正模型包括特征提取网络、注意力机制模块和融合模块，所述根据所述第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，包括：通过所述坐标修正模型中的特征提取网络对所述第一样本数据集进行特征提取处理，得到多级局部特征矩阵；通过所述坐标修正模型中的注意力机制模块对所述第一样本数据集进行特征提取处理，得到全局上下文特征矩阵；通过所述坐标修正模型中的融合模块对所述多级局部特征矩阵和所述全局上下文特征矩阵进行融合处理，生成所述修正后的定位坐标。3.根据权利要求2所述的方法，其特征在于，所述坐标修正模型包括n个层级结构，n>0，所述通过所述坐标修正模型中的融合模块对所述多级局部特征矩阵和所述全局上下文特征矩阵进行融合处理，生成所述修正后的定位坐标，包括：将经由所述特征提取网络中提取得到的第i层局部特征矩阵，与经由融合模块得到的第i-1层融合特征矩阵进行融合处理，得到第i层中间特征矩阵，0<i≤n；根据所述第i层中间特征矩阵和经由注意力机制模块提取得到的第i层全局上下文特征矩阵，得到第i层目标特征矩阵；循环执行上述步骤，直至得到每一层级对应的目标特征矩阵；根据所述每一层级对应的目标特征矩阵，生成所述修正后的定位坐标。4.根据权利要求3所述的方法，其特征在于，所述根据所述第i层中间特征矩阵和经由注意力机制模块提取得到的第i层全局上下文特征矩阵，得到第i层目标特征矩阵，包括：通过所述注意力机制模块提取得到第i层的自注意力权重矩阵和自注意力加权特征矩阵；将所述第i层中间特征矩阵与经由注意力机制模块提取得到的第i层全局上下文特征矩阵进行融合处理，得到第i层候选特征矩阵；将所述候选特征矩阵、所述自注意力权重矩阵和所述自注意力加权特征矩阵进行融合处理，得到所述第i层目标特征矩阵。5.根据权利要求2所述的方法，其特征在于，所述特征提取网络包括n个残差块，每一残差块中包含有卷积模块，所述通过所述坐标修正模型中的特征提取网络对所述第一样本数据集进行特征提取处理，得到多级局部特征矩阵，包括：通过第i个残差块中的卷积模块，对所述第一样本数据集进行特征提取处理，得到当前残差块对应的第一局部特征矩阵，0<i<n；将所述第i个残差块对应的第一局部特征矩阵和经由第i个残差块对所述第一局部特
征矩阵进行映射处理得到的映射特征矩阵进行融合处理，得到中间特征矩阵，并将所述中间特征矩阵输入至第i+1个残差块中，以通过所述第i+1个残差块中的卷积模块对所述中间特征矩阵进行特征提取处理，得到所述第i+1个残差块对应的第二局部特征矩阵；循环执行上述步骤，直至得到第n个残差块对应的局部特征矩阵；综合每一残差块对应的局部特征矩阵，得到所述多级局部特征。6.根据权利要求5所述的方法，其特征在于，所述残差块包括卷积层、归一化层、激活函数和残差单元。7.根据权利要求1至5任一项所述的方法，其特征在于，所述特征提取网络为深度残差网络resnet，所述注意力机制模块为基于移动窗口的注意力机制模块swin transformer模型。8.根据权利要求7所述的方法，其特征在于，所述深度残差网络resnet和所述融合模块中采用relu激活函数，所述swin transformer模型中采用gelu非线性激活函数。9.根据权利要求1所述的方法，其特征在于，所述坐标修正模型的训练过程包括：获取接收设备接收到的多个测试卫星的第二观测数据；对所述第二观测数据进行解析处理，得到第二样本数据集，所述第二样本数据集包括各所述测试卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；根据所述第二样本数据集，对预先构建好的神经网络模型进行训练，得到对所述接收设备的预测修正坐标；将所述预测修正坐标与训练目标进行求差处理，得到差值结果；在所述差值结果大于第一阈值的情况下，更新所述神经网络模型的权重参数，并重新将所述第二样本数据集输入至更新后的所述神经网络模型中，直至得到的差值结果小于第一阈值，或直至达到目标迭代次数时，将当前次得到的神经网络模型作为所述坐标修正模型。10.一种gnss定位装置，其特征在于，包括：获取模块，用于获取接收设备接收到的待测卫星的第一观测数据；解析模块，用于对所述第一观测数据进行解析，得到第一样本数据集，所述第一样本数据集包括所述待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；定位模块，用于根据所述第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，所述坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。11.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述方法的步骤。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至9任一项所述的方法。

技术总结
本申请实施例公开了一种GNSS定位方法及装置、设备、存储介质，包括：获取接收设备接收到的待测卫星的第一观测数据；对第一观测数据进行解析，得到第一样本数据集，第一样本数据集包括待测卫星的状态值、在不同频段下的伪距观测值、载噪比、载波相位、伪距残差、信号质量情况以及定位解状态中的一种或多种；根据第一样本数据集和预先训练好的坐标修正模型，得到修正后的定位坐标，坐标修正模型为将注意力机制模块融合至卷积神经网络中得到的网络模型。这样，能够修正定位误差，提高定位精度。提高定位精度。提高定位精度。


技术研发人员：林涛 王国桢 何毅华
受保护的技术使用者：广州吉欧电子科技有限公司
技术研发日：2023.04.28
技术公布日：2023/8/28