基于车路信息交互的车辆卫星定位协同定权方法

刘江，谭思伦，蔡伯根，王剑,1b,2

(1.北京交通大学，a.电子信息工程学院，b.智慧高铁系统前沿科学中心，c.计算机与信息技术学院，北京 100044；2.北京市轨道交通电磁兼容与卫星导航工程技术研究中心，北京 100044）

0 引言

在智能交通系统的多项功能应用中，车辆位置及其运行状态信息是一项重要的使能性基础条件。卫星导航系统作为一种全天候、高实时及高覆盖的定位手段，已广泛应用于车辆定位导航、驾驶辅助及自主控制决策等环节。近年来，随着我国北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)的建设与开通服务，卫星定位已成为众多新型车辆车载系统的重要技术途径之一。然而，车辆卫星定位在城市路网环境内因城市峡谷、楼群、树木及隧道等复杂地形环境导致的信号遮蔽、阻断以及信号传播偏转和衍射，会遇到较为复杂多变的信号观测条件，且卫星信号观测质量易受到多径效应、非视距及干扰攻击影响，导致卫星定位解算性能劣化。为此，在卫星定位解算及完好性监测运算等过程中为各可视卫星赋予不同的权重，是有效适应车辆卫星定位环境的动态性和差异性的必然途径。

常规卫星定位应用中，最简单的方式是采用等权策略[1]，为各个卫星赋予相同权重。为了体现各可视卫星的动态差异，一般采用基于Helmert 验后方差估计模型和基于卫星观测特征量的解析模型两种方式。Helmert方差分量估计需要通过逐次迭代计算，其实时性难以满足实时定位的需要[2]。为此，基于卫星观测特征量的解析模型已成为一种相对简便有效的手段，以星-地位置关系相关的特定指示量为驱动，建立每颗卫星权重与该指示量的解析关系模型，进而实时迅速实现权重的量化计算，代表性的方式包括卫星仰角定权模型[3]和卫星信噪比定权模型[4]，采用卫星仰角/信噪比组合定权模型能够进一步充分运用多类信息的作用[5]。基于仰角和信噪比等特征量实施定权虽计算简便且实时性高，但并未能充分体现权重结果对实际卫星信号观测质量的准确反映。为此，如何实现与动态运行环境更为深度匹配的实时定权，仍有待于开展深入的研究与探索。

近年来，随着DSRC/C-V2X(专用短程通信/基于蜂窝网络的车用无线通信)无线传输、物联网及人工智能等前沿技术的快速发展，以车-车、车-路及车-人信息通信共享为依托的车路协同技术，已成为新时期协作式智能交通系统的重点发展方向[6]。车-车和车-路间信息的协同交互驱动了多项协作式的定位应用，例如，车-车协同定位[7]，基于路侧的定位增强[8]，车-车协同完好性监测[9]及超视距探测感知[10]等，同时，也极大拓展了传统单车自主定位中定权计算所依托的感知范围，在权重分配与实际卫星观测质量水平之间建立更为紧密关联成为可能。从权重相关特征量角度考虑，导航卫星观测量的残差信息，可以从定位接收机中直接提取，且相较于卫星仰角和信噪比等，能够更直接地从定位域反馈观测域的质量特征，能够为权重调整提供更加贴合定位质量层面的指示作用。在此基础上，进一步考虑到在一定的局域路网环境中，卫星定位所面临的周围地形和地物等环境要素具有显著相关性[11]，局域路网内运行车辆若能够借助DSRC/C-V2X 通道实现卫星观测量和残差等信息的交互共享，则能够进一步发挥交互协同框架下卫星定位定权基础信息的延拓意义，使多车协同观测转化为局域路网观测质量的特征知识具备充分条件，从而使单个车辆突破自身观测信息范畴，将定权所依托的数据和知识基础拓展至邻域内协同车辆和路侧设备，更好地发挥车路协同模式的本质优势，在卫星定位定权协同化和动态化方面发挥关键作用。基于此，本文改变了以往针对卫星观测特征量(例如卫星仰角和信噪比等)开展解析定权模型构建与决策的方式，将车载和路侧之间贯通的信息交互机制用于数据驱动的局域模型和多车协同的实时定权，设计了一种新型车辆卫星定位协同定权方法，实现定权决策主动跟踪匹配动态观测环境，并采用实测数据对所提出的方案进行验证，分析其相对于传统定权方案的优势与意义。

1 基于信息交互的车辆卫星定位协同定权框架

基于卫星导航系统的车辆定位解算过程中，卫星定位接收机实时接收卫星信号，获得星-地间测距观测量，根据导航卫星位置的估算结果，采用最小二乘法等估计算法实施车辆位置状态计算。城市路网内复杂的动态观测环境下，实际的卫星观测特性容易受到多种因素的影响，因此，可为各卫星观测量赋予相应的权重，采用加权最小二乘法(Weighted Least Square,WLS)进行解算，能够更加符合实际的卫星信号观测质量水平，并使定位解算对观测量的利用得到针对性调整。在该模式下，车辆运行状态向量的估计解可表示为

式中：t为当前定位解算历元；Ht为K(t)×4 维的观测矩阵，其中，K(t) 为t时刻的可见卫星数；Wt=diag{w1,w2,…,wK(t)} 为K(t)×K(t)维对角矩阵，表示t时刻可视卫星的权重分布情况，wk为第k颗卫星的观测量权重，k为可视卫星序号，k=1,2,…,K(t)；zt为观测向量，一般采用所观测卫星的伪距量构成。

卫星观测权重直接取决于当前的信号观测质量，对于因故障、观测条件异常及信号通视条件受限等因素导致观测质量劣化的卫星观测量，需在解算中通过分配较低权重，减少其对定位解算的影响。作为与观测质量直接相关的伪距观测误差，难以用精确的数学模型描述，同时，在用户真实位置未知和卫星-接收机天线信号传输路径因地形环境影响难以精确描述的情况下，无法直接建立精确的解析模型进行量化求解。与观测误差不同，卫星观测量残差(例如伪距残差)更易于从接收机观测量中获得，且能够反映特定卫星观测质量特征在位置决策层面影响的差异。伪距残差定义为伪距等观测量的实际观测值与其估计值之间的差值，即

式中：ρk,obs为第k颗可视卫星的原始伪距观测值；(lk,bk,hk)为第k颗可视卫星解算星历后所得三维坐标；(lls,bls,hls)为当前位置预测值。

仅从车载定位接收机自身观测量通过残差估算权重，难以全面和准确反映卫星观测状况的动态变化情况。为此，利用新型协作式智能交通系统模式提供的车路协同交互机制，能够使车载设备所含车辆卫星定位单元在利用自身观测信息进行定位解算的同时，还能运用一定局域范围内由车辆间信息交互汇集的多个临近车辆卫星观测量残差{ρk,pse}，综合获得对卫星观测质量水平更为充分的描述，进而用于卫星定位解算中观测量权重{wk} 的精细化确定。基于这一思路，本文提出一种基于自编码轻量级梯度提升机(Auto Encoder Light Gradient Boosting Machine，AE-LGBM)建模与多车观测信息综合决策相结合的协同定权方案，其总体框架如图1所示。

图1 基于轻量级梯度提升机建模与多车信息综合决策的协同定权总体框架Fig.1 Overall architecture of cooperative weighting using LightGBM modeling and multi-vehicle information-based decision making

框架主要由以下两条通道协作完成最终的定权决策：

(1)学习建模通道

从卫星信号观测条件与质量特征的“局域相似性”出发，路侧设备在所处区域内收集各协同车辆传输的定位数据，包括：

①仰角、方位角及信噪比等卫星观测量特征；

②接收机终端信息；

③所属路段信息等辅助特征；

④用于表征观测质量的伪距残差。

基于所汇集的定位数据集，运用AE-LGBM算法构建面向该局域环境的伪距残差预测模型，并随着增量数据的加入，使模型得到不断更新。

(2)定权计算通道

车辆在实时运行中，车载接收机实时获取卫星仰角、方位角及信噪比等观测信息，结合所含卫星定位接收机终端类型和基于位置推算所得所属路段信息等定权辅助特征信息，构成本车观测集。运用离线训练所得伪距残差预测模型进行预测计算，同时，利用协同交互所得邻车的观测数据，与模型预测结果进行融合，确定当前本车各可视卫星观测量的权重分配。

基于上述两条计算通道，最终得到的观测量定权结果除了能够有效运用本车实时观测信息实现权重更新外，还能够通过引入邻车定位观测信息，充分发挥AE-LGBM 模型对存在一定相似性的卫星信号观测质量特征的综合表达能力，实现动态定权对泛化信息条件的充分理解与运用。在此条件下，各个卫星观测量权重充分面向实际观测环境中因多种因素可能导致的差异而实施独立计算，能够使定权结果更加适应实际车辆定位过程所面临的动态性与复杂性。

2 车辆卫星定位协同定权方法

2.1 基于AE-LGBM的训练建模方法

AE-LGBM 模型的第1 部分为自编码网络(AE)，可以看作是神经网络的一种，基于反向传播算法与最优化方法(例如梯度下降法)，利用输入数据x本身作为监督，指导神经网络尝试学习一个映射关系，得到一个重构输出x(D)，实现从输入特征集中提取出最好的基本特征的目的[12]。模型包含两个主要的部分：Encoder(编码器)和Decoder(解码器)，损失函数为二元交叉熵，即

式中：LAE为自动编码器的重构误差；N为样本总数；xi、x(iD)分别为网络的第i组输入、第i组输出；ϑ为惩罚系数；W(i)为提供给每一层输入的权重矩阵。

模型的第2部分为LightGBM(轻量级梯度提升机)，作为一个开源、快速及高效的基于决策树算法的提升框架，在传统的GBDT[13]基础上引入Histogram 直方图优化算法和带深度限制的Leafwise的叶子生长策略，在解决回归问题上有着显著效果[14]。该方法的核心思想是梯度提升GB(Gradient Boosting)，在迭代过程中的每棵回归树模型都是为了减少上一次迭代的残差，在残差减少(负梯度)方向上建立一个新模型，将上一次的预测结果同目标值做差，作为本次迭代训练数据，每个新模型的建立均使之前模型的残差往梯度方向减少，通过逐步逼近，使损失函数最小化，最终累加所有树的结果输出强学习器。

考虑传统的回归损失函数对异常值的损失关注度较高，本文采用Huber 损失函数[15]对预测偏差不均匀形成较强鲁棒性。假设训练数据集为D={(xi,yi)},i=1,2,…,N，含N个样本，设定所建立模型训练回归树M棵，梯度提升算法的建模流程如下。

(1)初始化弱学习器

式中：c为常数项。

(2)迭代训练m=1,2,…,M棵树

①对每个样本i=1,2,…,N，计算负梯度(残差)，即

②将得到的残差值rm,i作为样本新的真实值，并将数据Dm={(xi,rm,i)},i=1,2,…,N作为下一棵树的训练集，得到一棵新的回归树，其对应的叶子节点区域Rm,j,j=1,2,…,J，其中，J为回归树的叶子结点个数。

③对j=1,2,…,J个叶子结点，计算最佳拟合值

式中：cm,j为叶子节点区域Rm,j的平方损失最小值。

④更新第m棵树的强学习器

式中：I为指示函数，若xi∈Rm,j，I=1 ；否则，I=0。

(3)生成最终输出学习器

在此之上，LightGBM引入的直方图算法，通过把连续的浮点型特征离散化成L0个整数，构造一个宽度为L0的直方图。遍历数据时，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后，根据直方图的离散值，遍历寻找最优的分割点。此外，带深度限制的Leaf-wise的叶子生长策略是指每次从当前所有叶子中，找到分裂增益最大的一个叶子，然后分裂，如此循环。相比GBDT 同时分裂同层叶子的策略，同样的分裂次数下，Leaf-wise 策略可以降低更多的误差，得到更好的精度。

模型超参数包括：学习率、树的深度、叶子数、特征抽样数、样本抽样数及正则化等，可以灵活处理连续和离散等多类型数据，以较短收敛时间达到较高预测精度，其特性非常适用于挖掘卫星观测量信息和伪距残差之间复杂的非线性关系。

2.2 基于信息交互的协同定权计算

当目标车辆和其协同交互邻车接收卫星信号后，由目标车辆及其邻车构成局域观测节点集，由于观测条件的相似性，对于当前所在局域路段范围内能够被观测的各个卫星，基于学习建模通道离线构建的伪距残差预测模型，在同一时刻能够得到多个冗余的伪距残差预测值

式中：θk(t)、ψk(t)、λk(t)分别为第k颗卫星在t时刻的仰角、方位角、信噪比；Ω为接收机终端信息；Θ(t) 为t时刻所属路段；s=0 为目标车辆，s=1,…,S(t)为t时刻已与目标车辆进行信息交互的协作车辆；G(*)为离线构建的伪距残差预测模型；、分别为t时刻目标车辆和其第s个(s≥1)协同邻车所观测第k颗卫星的伪距残差预测量。

式中：α、βs分别为目标车辆和邻车s的修正系数，通常情况下，α=1，βs的大小与目标车辆接收邻车s数据包的时间成反比，α ＞βs；若出现完好性告警时，则需要适当增大故障卫星的残差修正系数，降低故障卫星所分配的权重值。为目标车辆经引入邻车残差预测集修正后第k颗卫星的伪距残差。

基于各个可视卫星伪距观测量残差的修正结果，采用权重归一化原则，得到最终的卫星观测量权重分配解为

式中：wt,k为t时刻目标车辆所观测到的第k颗卫星的权重分配值，其将最终在定位解算中调和对各个卫星观测量的运用深度。

2.3 方法总结与分析

基于所提出的方案，采用局域伪距残差预测模型，目标车辆实时接收卫星信号并实施基于信息交互的协同定权计算过程如表1所示。

常规参数定权方案中，车辆提取步骤(2)所述的观测量后，通过经验参数权重公式计算后直接到达步骤(15)；本文方法与仅依赖目标车辆自身得到的观测量(例如卫星仰角和信噪比等)实施解析形式的常规权重估计方法相比，增加了与协同邻车和路侧设备信息交互环节，额外引入的信息修正了本车自身的权重估计结果，使本文基于协同交互机制对常规定权方案进行了有效延拓与增强。

在目标车辆与协同邻车和路侧设备协同交互过程下，本文所述方案下的车辆卫星定位基于信息汇集实现卫星观测量权重的动态调整与决策，该定权方案中的“协同”体现在两个方面：

一方面，路侧设备汇集的区域内历史定位信息，能够表征出特定局部环境中的卫星信号观测质量的“相关本质特征”，考虑卫星自身观测特征，例如，仰角、方位角、信噪比及可见卫星数的同时，引入定位终端信息和所属路段信息，基于卫星观测质量相关的多维特征采用AE-LGBM 算法实施数据驱动的建模，为实施观测量定权引入了离线的先验知识。

另一方面，对于道路行驶中某一车辆簇，其在道路中所面临的通视条件和信号传播条件具有紧密“相关性”，映射至卫星观测域，可体现在观测质量特征的“相似性”，多车观测信息在预测模型的共同辅助下，最终对于目标车辆的观测量定权结果充分融入了多车观测的协同叠加作用。

总体来看，本文提出的方法突破了单车自主定位的信息受限性，运用新型交通系统形态下协同交互机制的本质能力，为卫星定位的观测量定权提供了协同优化机制，为合理化和差异化运用实时观测信息并保证定位质量提供了条件。需要指出的是，城市路网环境中车-车和车-路间无线通信质量会受到多种因素影响，在无线通信质量不佳甚至中断情况下，目标车辆在跨局域范围运行时，将难以收到路侧设备反馈的有效预测模型信息，无法利用邻车信息修正目标车辆的伪距残差特征值，如此，则只能退化为采用独立解算模式进行权重分配。因此，无线通信质量是决定本文所提出方法得以有效应用的关键使能性条件。

3 实验验证与分析

3.1 实验环境与设备准备

为验证本文提出的协同定权方法性能，选择北京交通大学校园内一段观测环境变化较为复杂的闭环路线开展实际数据采集，实验路线涉及高层建筑周边路段、树木遮蔽路段、低层房屋临近路段及空旷路段，代表了4类典型的城市道路卫星信号观测场景。为了模拟目标车辆与多个邻近车辆在相近局域区域内运行的过程，采用两辆实验推车模拟真实道路车辆协同定位场景，数据采集平台同步采集多个定位接收机的实时数据，用于检验多车协同定权效果。在实验过程中，两辆实验推车以约3.6 km·h-1速度绕闭环路线靠道路右侧行驶，采集一整圈的数据通常需20 min。为模拟道路中车辆位置关系的变化，路段1 中主车在前约3 m，路段2和路段4中主车和邻车并排行驶，路段3中邻车在前约3 m。实验设备方面，主车搭载了Trimble BD982接收机代表目标车辆，同时，引入由高性能卫星接收机、惯性测量单元和差分数据传输单元构成的高精度SPAN 位置参考系统，为目标车辆提供真实位置的参考值，两者采用信号功分器连接卫星定位天线采集信号，保证接收同一卫星信号。邻车采集平台采用了6套不同厂家不同型号的接收机设备，包括：Trimble BD910、UBlox-LEA-5A、UBlox-LEA-6T、UBlox-NEO-7M、UBlox-M8N 及 NovAtel-OEM615，为目标车辆提供协同定权算法的实时数据支持。由于本文核心方法集中于卫星定位解算过程中的定权优化逻辑，实验中两辆推车未直接进行实时无线交互，分别采集记录各接收机的原始观测量(包括导航文件和观测文件)，通过后处理解算检验各种不同方法的定权相关性能。试验数据采集路线及模拟定位采集平台如图2所示。

图2 实际数据采集路线及本车和邻车模拟定位采集平台Fig.2 Trajectory of data collection and simulated positioning collection platforms of ego-vehicle and neighborhood vehicle

选取2021年进行的15 次实验采集结果，提取前14次实验采集数据，构建AE-LGBM算法建模需要的原始样本数据集，用于AE-LGBM预测模型的训练与测试检验。选择最后1 次实验模拟车辆在路网内的协同定位场景检验协同定权方法的性能，用Trimble BD982型接收机数据模拟目标车辆车载设备定位过程，用其他6套接收机数据模拟相邻协同车辆的数据采集，其中，将作为目标车辆设备的Trimble BD982型接收机采集的原始观测文件和导航文件用于动态定位解算，将协同定权的定位结果与SPAN位置参考系统对比，进行评估与分析。

3.2 AE-LGBM建模性能验证分析

对实验采集的建模样本数据集进行特征提取和数据清洗，筛除存在缺失信息的样本，留下数据完整的样本287224个。同时，选取t时刻第k颗可视卫星的伪距残差ρi,k,pse(t)作为标签值。每个样本的特征量包含内容如表2所示。

表2 伪距残差AE-LGBM预测模型建模样本特征量Table 2 Modeling characteristics of pseudo-range residual AE-LGBM prediction model

分析原始样本各特征取值范围，发现部分样本存在较低仰角(θi,k(t)＜25o) 和较低信噪比(λi,k(t)＜25 dB-Hz)，且部分原始样本中存在一些伪距残差异常现象(例如|ρi,k,pse(t)|＞50 m)的离群点。因此，在实施模型训练前对样本集进行基于特定门限的筛选：设定卫星仰角门限Tθ=25o、信噪比门限Tλ=25 dB-Hz 及伪距残差门限Tρ=50 m，给样本添加字段可用性标志Yi,t,k

式中：θi,k(t)、λi,k(t)、ρi,k,pse(t)分别为t时刻第k颗卫星对应样本i的仰角、信噪比和伪距残差。

在筛选样本可用性标志为1的样本点后，样本集中剩余223343 条数据。值得一提的是，LightGBM 的基于决策树的模型，树形模型不关心变量的值，而是关心变量的分布和变量之间的条件概率，因此，无需对特征进行归一化处理。基于采集数据所属的接收机类型，为各样本添加接收机终端信息，共7条字段信息；同时，依据样本所含位置估计信息判断其所属路段，本文根据路段类型对实验轨迹划分为4段(如图2所示)。为便于模型输入，对添加的字段信息均采用Onehot编码(独热编码)，将离散字段映射到整数值，将每个整数值表示为二进制向量，从而把不同字段之间的关系扩展到欧式空间，使特征之间的距离计算更加合理。

将全部样本按照8∶2 随机分成训练集和测试集，对AE-LGBM的几个关键参数，包括：自编码器的网络结构，树最大深度，迭代器个数，学习率，叶子数及Huber损失函数分位数度量值，在对应的合理取值范围内进行网格搜索调优，其中，自编码器的编码器层数和解码器层数均为特征经过Onehot编码后的特征维度，选取平均绝对误差作为目标值，最优模型的参数如表3所示，所用开发环境为Python3.7，使用的机器学习库包括：lightgbm、keras、tensorflow及sklearn。

表3 AE-LGBM主要参数Table 3 Key parameters of AE-LGBM

Encoder(编码器)和Decoder(解码器)给出了AE-LGBM 模型输入特征的重要度排序，如图3所示。

图3 AE-LGBM模型影响因素重要度排序Fig.3 Importance sequencing of influence factors of AE-LGBM

由图3可以看出，信噪比和卫星仰角对模型的影响程度最大，同时，卫星方位角作为卫星空间分布特征的重要参数之一，也有17.1%的贡献度，这是常规解析式卫星定位定权模型一般不作为决策参量考虑的参数。此外，不同定位终端类型也对伪距残差预测存在一定程度影响，而在当前实验场景中，对路段划分提取的特征对模型的作用影响相对较小。

选取WMAPE 和MAE 作为评价指标，选择不同机器学习方法作为对比，包括：K-最邻近(KNN)、支持向量机(SVM)、随机森林(RF)、梯度提升决策树(GBDT)、轻量级梯度提升机(LGBM)和本文采用的自编码轻量级梯度提升机(AE-LGBM)。所有对比方法的参数同样进行网格搜索，包括：KNN的邻居样本点数量n_neighbors，SVM 的核函数系数gamma，RF 的决策树个数n_estimators，最大深度max_depth 和 最 大 特 征 数max_features，GBDT 和LGBM的搜索参数同表3中LightGBM部分的超参数保持一致。

基于上述5种方案为对照，在相同样本集条件下的建模结果对比如表4所示。对比KNN和SVM的结果，可以看出RF 和GBDT 等集成学习方法在卫星观测质量建模上更加精确且稳定；同时，对比LGBM 和AE-LGBM 的结果，说明引入自编码器AE 自动提取特征，能够进一步挖掘数据之间的非线性关系，提升模型精度。整体来看，本文采用的AE-LGBM 模型的预测精度均优于其他对比方法，其原因主要为该模型在特征工程中的选择提取以及集成学习的优势，其决定系数在训练集和测试集上均超过90%，说明模型的拟合度达到了较高水平；对比不同方法在测试集中的WMAPE 和MAE指标表现，AE-LGBM 模型相较于对比项，其加权平均百分比误差分别降低了40.8%，30.9%，27.3%，24.8%及13.9%，其平均绝对误差分别降低了40.6%，36.0%，26.5%，25.6%及16.1%。此外，进一步对模型在测试集上的预测误差进行统计分析，模型预测误差频数分布直方图的高斯拟合结果对比如图4所示，可以看出，AE-LGBM的样本误差频数统计更加集中在小误差的区间，有更高概率会得到更为准确的预测结果。

表4 不同模型训练方法的评价指标比较Table 4 Comparison of evaluation indices for different model training methods

图4 不同模型训练方法所得预测性能对比Fig.4 Comparison of prediction performance by different model training methods

3.3 协同定权性能对比分析

选 择2021年9月13日 采 用Trimble BD982 型接收机采集数据进行定位计算，利用其他6套设备时间对齐的实测数据模拟邻车观测量，利用已建立的伪距残差预测模型进行实时定权计算验证，结合式(17)和式(18)完成每个历元的目标车辆伪距残差特征值修正及权重计算。一次采集实验中6 颗可视卫星(GPS 卫星PRN 号：10、12、23、24、25、32)协同定权结果随时间的总体对比情况如图5所示。各颗可视卫星权值随时间变化情况如图6所示。

图5 各可视卫星协同定权结果总体对比Fig.5 Overall comparison of cooperative weighting results of visible satellites

图6 各可视卫星协同定权具体权重结果Fig.6 Comparison results of cooperative weighting for each visible satellite

将所得权重矩阵用于基于加权最小二乘的GPS 单点定位解算，提取SPAN 位置参考系统输出结果作为参考基准计算定位误差，对以下几种定权策略进行比较。

(1)等权分配策略[1]，即始终为各颗可视卫星分配相同权重。

(2)仰角/信噪比组合定权策略[5]，即于卫星仰角和信噪比，采用权重解析模型动态计算权值。

式中：a为参数值，常取13.924。

(3)基于车路信息交互的定权策略。

3种定权策略所得定位性能的统计结果如表5所示，包括东西向(E-W)、南北向(N-S)和水平定位误差的均值、标准差、RMSE及最大值。

表5 不同定权策略定位性能对比Table 5 Comparison results of positioning performance by different weighting strategies

可以看出，协同定权策略在各个评价维度均优于经典的等权分配策略；对比等权策略和仰角/信噪比组合定权策略，两者在各个方向的RMSE水平基本相当，组合定权策略对GPS单点定位解算精度的提升不甚明显，东西向和南北向的最大值均超过50 m；采用本文提出的协同定权策略，相对于两种常规方式对定位解算精度的提升较为显著：对比最为简化的等权策略，其东西向、南北向和水平向误差标准差分别降低了42.2%，30.4%及45.0%，均方根误差分别降低了41.6%，33.2%及37.7%，相对仰角/信噪比组合定权策略，3项误差的标准差分别降低了40.5%，24.5%及42.9%，均方根误差分别降低了40.1%，26.4%及34.3%，东西向维度和南北向维度的最大误差也降到了20 m左右。

东西向和南北向定位误差随时间的变化结果如图7和图8所示。

图7 3种定权策略东西向误差对比Fig.7 E-W error by three weighting methods

图8 3种定权策略南北向误差对比Fig.8 N-S error by three weighting methods

结果展示了协同加权策略对单点定位精度的影响，常规基于卫星观测特征量进行解析计算的组合定权策略在大部分情况下与等权策略所得误差重合基本相当，相对于等权策略的作用并不明显；本文提出的组合定权策略所得定位误差更为稳定，特别是在历元200～300 s，600～700 s，1000～1100 s时段内，协同权对部分预测伪距误差较大的卫星(例如25号和32号)赋予较低的权重，降低了最终定位解算结果和真实值之间的误差，相对于两种参考策略的改善效果非常显著。

总体来看，面对复杂的城市道路环境，基于历史经验确立的解析式组合定权策略难以跟踪复杂多样的观测环境，而本文提出的协同定权方法充分发挥了车路协同交互机制聚合多源信息的优势，能够更为合理地为各可视卫星分配权重，达到优化定位性能的目的。

4 结论

本文得到的主要结论如下：

(1)提出的基于轻量级梯度提升机建模与多车信息综合决策的协同定权方法，能够从卫星信号观测条件与质量特征的“局域相似性”出发，提取路网车辆的定位信息，包括常规观测量，例如，仰角、方位角、信噪比、可见卫星数及用于表征观测质量的伪距残差；同时增设辅助特征，例如，终端信息和路段信息，运用轻量级梯度提升机对历史数据训练并验证，构造伪距残差AE-LGBM 预测模型，支撑在线定权。

(2)基于某一车辆簇内观测环境的“相关性”，融入邻域内车辆观测信息的预测结果对目标车辆的定权计算进行修正，充分体现了协同思想在卫星观测量权重的动态调整与决策的应用。

(3)对比K-最邻近、支持向量机、随机森林、梯度提升决策树及轻量级梯度提升机等方法，验证了基于AE-LGBM预测模型性能的精准性。

(4)将协同定权策略应用于实测数据定位解算，对比常规的等权策略和组合权重策略，所得结果反映了协同动态定权对复杂动态运行环境的跟踪适配及其对于定位性能的优化作用。