李泓璋 孙绍弘
31693部队 150049
摘要:人工智能、卫星导航和内陆定位技术的快速发展，不断推动测绘科学技术向智能化方向发展。指出设备虚拟化、数据处理多样化将成为测绘导航的基本形式，拓展测绘的内涵和外延映射，智能滤波是未来导航定位理论的一个重要方向。人工智能芯片将成为导航测绘设备提高滤波效率和实用性的关键部件。给出了嵌入式导航模块的开发过程和同步获取原始信息的关键技术，提出了嵌入式固件的延迟补偿、自适应定位算法、延迟片优化和无缝网络定位模块。
关键词:测绘导航；高精度定位；无缝组网定位；车载导航；变形监测
在国家战略和市场化双重推进下，测绘科学技术的基本理论、关键技术和装备进行了改革，测绘的内涵和外延发生了巨大变化。智能化、测绘与导航的交叉，已成为测绘发展的方向。高精度定位理论、算法和智能硬件成为地图绘制和导航方向的基础支撑。应用场景可分为传统变形监测、施工放样、自然资源调查、无人导航等低强度动态场景。测绘导航的基本形式为高精度定位、智能滤波定位模型、测绘导航定位模块、无缝网络定位应用等关键技术。
1、测绘导航基本形态
1.1测绘导航装备虚拟化
随着北斗导航卫星系统(BDS)/全球导航卫星系统(GNSS)多模接收机的发展，随着AI定位芯片和车载导航模块技术和设备的迅速发展，全球导航卫星系统(GNSS)的出现等各种导航定位传感器也随之出现，惯性导航、视觉导航和激光雷达(LIDAR)的发展，使导航技术得到了迅速发展映射。随着大数据的推广，物联网、边缘计算和云计算、地图导航设备正逐步向虚拟化云发展。在工程实践中，前端测量导航设备采集的数据可以实时在线预处理。或者可以通过物联网传输到云平台进行远程在线计算，为用户提供高精度、实时定位服务信息导航设备的开发具有智能化高、精度高、自动化程度高、抗干扰性强的特点。最后，形成了测绘导航设备云虚拟化开发的新模式。
1.2测绘导航数据处理多样化
传统的测绘数据处理主要是野外测量的内部处理方法，通常包括事后计算、手工处理、计算器计算和螺纹计算。利用深度学习、人工智能、分布式计算等先进计算技术，传统的数据处理模式正逐步向云实时处理、智能机处理、边缘计算和分布式计算发展，呈现出高可用性。
2、智能滤波定位模型
2.1Kalman滤波模型
卡尔曼滤波理论(KF)是应用最广泛、最成熟的映射滤波模型。导航基于最小均方误差原理，对线性系统的最优状态参数进行了估计。KF主要通过状态预测和状态更新来估计系统的状态参数。状态参数主要用于状态预测，利用前一解的历史方差和系统动力学模型预测当前的历史系统状态参数，然后利用滤波增益方程和状态更新方程对预测系统的状态参数进行优化和更新，从而提高系统状态参数的估计精度。将其作为当前状态参数历史的先验信息，定位精度优于传统的只考虑单个历史位置信息的最小二乘法。
如果参数的观测值和预测值服从正态分布，KF可以提供可靠的参数解。当观测值被异常污染或预测状态参数不确定时，传统算法采用sage-Husa自适应滤波器和有限记忆滤波器，通过减少观测值或预测参数来提高系统的抗误码能力。受观测异常和动态模型扰动的影响，xx院士提出了一种新的微分自适应滤波理论，采用鲁棒权重法和自适应因子法对动态模型中的离群点进行观测和拟合，得到了平滑的定位结果。在复杂环境下，由于观测模型或动态模型的非线性较大，采用Taylor级数EKF会产生较大的非线性误差。利用UKF或CKF可以有效地提高系统状态参数估计的精度。本文针对UKF动态模型的扰动，构造了一种新的极值函数。提出了一种基于自适应因子的自适应无跟踪Kalman滤波器(aukf)，构造了一种基于R因子的自适应无跟踪Kalman算法。
卡尔曼滤波用于处理动态模型干扰和观测异常。在UWB室内定位中，由于传统的非线性滤波无法抑制观测到的初始误差，采用非线性Kalman滤波可以有效地提高室内定位精度。
2.2智能滤波定位模型
在实际应用中，结合神经网络等智能模型，建立更为真实的动态模型，形成智能融合模型，惯性传感器随时间漂移的零偏差误差。因此，误差模型无法准确估计船长因此，为了准确估计系统误差，必须实时调整误差模型参数。倒下解决了GNSS组合导航系统和IMU的问题。卫星系统屏蔽，IMU独立操作精度降低强奸犯当GNSS信号处于良好状态时，会发现导航系统错误;当卫星信号被阻塞时，估计并补偿导航系统的误差，以提高导航定位精度，神经网络与KF的集成构成了INS/GPS的集成智能定位模型。当导航卫星系统可用时，利用深度学习方法对惯导系统的非线性定位误差进行建模。在GNSS解锁后，神经网络可以预测INS的非线性定位误差，从而提高定位精度。复杂环境下长期可靠的连续导航定位要求更高的精度和可靠性，作为全球导航系统和惯导系统综合导航的基础，需要感知周围的场景，并提供导航信息。因此，必须使用不同的传感器获取不同的导航信息，例如图像传感器和传感器雷达此外，深度学习技术可以与传统的滤波算法相结合进行检测，对载体周围环境的分类和提取，可以充分挖掘不同传感器异构数据之间的有效信息，准确描述传感器数据的本质。提高误差模型的精度，提高系统的智能性导航，智能定位模型将广泛应用于无人云层定位和智能测绘仪器终端。AI芯片也将是相关产品的核心部分。
3、测绘导航定位模组关键技术
3.1模组研制技术流程
该模块是测绘导航产品二次开发的关键组件之一。它具有相对独立的功能，可以集成到无人智能终端等各种设备中。随着导航定位业务的发展，测绘导航模块将广泛应用于各个领域。La域定位模块开发技术是应用高精度定位决策的重要支撑。嵌入式导航模块的主要研发过程可分为印刷电路板(PCB)设计、面板制造、模块测试和模块量产四个阶段。
3.2嵌入式效率优化
该模块的嵌入式固件属于资源有限的系统，提高计算效率是一个关键问题。对于嵌入式效率的优化，通常有替代算法，如选择快速排序方法;重写关键组件的组装方法以提高计算速度;空间和时间交换方法，如在设计数据结构时，减少协议数据结构的周期延迟，扩展了数据结构的层次关系，利用内存空间交换时间避免递归，非递归方法是递归的;减少了频繁的小内存池分配和释放对象。在地图导航模块的开发中，在上述嵌入式效率优化方法的基础上，提出了提高系统整体性能的方法:首先对原始信息进行同步捕获和时延补偿，通过建立时间补偿参数的状态方程，建立多源传感器的时间同步误差估计与补偿模型，提高了gnss/ins传感器精确时钟匹配的鲁棒性，自适应定位算法的编码鲁棒性较好根据编程标准，编写了鲁棒性代码，实现了多级高精度cm-mm分米级；采用嵌入式固件的有效解决方案，采用顺序更新和旋转的策略。通过时分、优先级抢占、联合声明结构协作等多线程机制实现了时分的目的，降低了嵌入式平台的资源消耗，实现了有效的固件解决方案。
3.3高精度定位模组
在此基础上，开发了覆盖分米级定位精度的无缝定位模块、嵌入式导航模块和应变监测模块。开发了相应的定位终端，给出了各个应用的解决方案，重点介绍了该系列模块在不同场景下的应用。
结论
综上所述，高精度定位催生了测绘导航的研究领域，拓宽了测绘学科的内涵和外延。本文重点研究了高精度定位的关键技术及其应用，得出了高精度定位的关键技术。测绘导航设备具有智能化程度高、精度高、自动化程度高、抗干扰能力强、数据处理速度快、智能化程度高、处理虚拟化、多样化等特点。测绘导航设备的数据将成为测绘导航的基本形式。智能定位模型在复杂场景下的多传感器融合定位中具有很大的优势，它将广泛应用于无人定位和智能测绘仪器终端的开发中。
参考文献