GRW模型助力：城市暗区车辆间协同定位增强技术

本文探讨了一种针对全球导航卫星系统（GNSS）在城市暗区，如高楼大厦间或隧道内的信号遮挡问题，提出的车辆协同定位增强技术。该方法主要依赖于专用短程通信（DSRC）设备，使车辆能够在一跳范围内的邻车之间周期性地交换测量和状态信息。 当车辆在这些环境中行驶，GPS/BDS信号可能被严重干扰或完全阻断，此时车辆的导航系统会切换到混合模式，结合惯性导航系统（INS）与参考GPS/BDS。这里的参考GPS/BDS是通过分析邻车提供的GNSS信息以及根据频移估测的相对距离和运动方向来确定的。引入了GNSS rank weighting (GRW) 模型，其核心作用在于评估各个参考GPS/BDS估计的可靠性，从而在众多选项中选择最合适的定位基准。 GRW模型的关键在于它能够根据接收信号的强度、一致性和与其他传感器数据的一致性来分配权重。在城市道路环境中，由于建筑物和隧道导致的信号遮挡，车辆可能无法接收到卫星信号，这可能导致定位精度下降。因此，利用GRW模型对不同来源的定位信息进行融合，可以显著提高在GNSS暗区的定位性能，减少因信号缺失引发的定位不连续问题。 此外，文章还提到了惯性导航系统的局限性，尽管在信号丢失时它是应急手段，但其长期精度受制于陀螺仪和加速度计的漂移。通过GRW模型的协同定位，车辆可以更有效地利用周围环境的信息，减少这种误差，并在一定程度上弥补GNSS信号弱化带来的不便。 这项研究旨在开发一种有效的方法，通过车辆间的实时通信和数据共享，结合GRW模型的智能选择机制，提升GNSS暗区中的车辆定位精度，为驾驶员提供更加稳定和可靠的导航服务。这在自动驾驶、公共交通和紧急救援等领域具有重要意义。