基于数据和模型驱动的GNSS模糊度解算算法

摘要

为了优化real-time kinematic(RTK)的模糊度解算，提出一种基于数据与模型驱动的GNSS模糊度解算方法。该算法关注于如何对最佳的模糊度子集进行选择，从而增加模糊度固定的成功率。研究考虑了模糊度子集对基线解精度的影响，选择一种基于模糊度层面的子集方法，旨在确保模糊度固定的高成功率和基线固定解的高精度。该方法在执行部分模糊度解算时将模型驱动和数据驱动相结合，引入长短时记忆神经网络(LSTM)，保证了模糊度固定解的稳定和可靠。结果表明，在确保模糊度固定解的高可靠性的前提下，基于解算规则的LSTM算法与现有算法相比，在所选数据集的固定率与固定成功率分别由73.59%、72.83%和93.07%、87.57%提高至99.23%、95.51%和98.67%、92.74%，对RTK定位的精度和鲁棒性均有所提升。

关键词

RTK定位 / 模糊度解算 / 数据驱动 / 模型驱动