PNT智能服務

摘要：定位導航定時(PNT)發展的重要方向是智能PNT服務。智能PNT服務必須首先感知用戶PNT服務需求, 以及用戶所處的相關環境, 進而實現多源PNT信息智能集成、觀測模型智能優化及多源PNT信息智能融合, 最終實現PNT信息的智能推送。本文從PNT智能感知、智能模型、智能數據融合到智能服務各個環節論述“智能PNT”的關鍵技術, 并分析其內涵; 提出PNT信息智能集成的“可用性準則”, PNT觀測函數模型智能優化的“可靠性準則”, PNT多源觀測隨機模型優化依據的“不確定性準則”, 多源PNT信息融合的“精確性準則”, PNT服務的“高效性準則”及高動態用戶的“連續性準則”。分析認為, 綜合PNT是彈性PNT的基礎, 彈性PNT是智能PNT的基礎, 智能PNT是PNT服務的重點發展方向。

關鍵詞 ：定位；導航定時；智能感知；智能模型；智能融合；智能服務

閱讀全文：http://xb.sinomaps.com/article/2021/1001-1595/2021-8-1006.htm

引言

微信號：MeetyXiao
添加微信好友, 獲取更多信息
復制微信號

定位導航定時(PNT)服務是高質量生活的基本保障要素之一，甚至是核心要素之一。陌生環境的旅行、購物、約會、尋醫、就餐等，首先需要位置(定位)，需要路徑(導航)，也需要時間(定時)；現代城市的高效率運行與管理同樣需要PNT信息的可靠支持，城市建設、土地確權、交通管理、路網管控、消防安全、地下管網等，都需要精確的PNT保障，否則城市運行與管理會出現混亂；國家基礎設施更需要自主可控的PNT支持，否則，金融系統會出現混亂，電力系統可能出現故障，高鐵系統、航空系統、公路交通系統等的運行效率和安全指數將得不到保障；國防安全更需要自主、可靠和安全的PNT保障，否則，國家安全和國防安全將受制于人。

國家綜合PNT體系[1]為用戶的PNT信息選擇提供基礎，彈性PNT體系[2]為綜合PNT信息的彈性化應用提供理論與算法，智能PNT信息融合和應用是彈性PNT的具體體現，也是安全PNT體系及應用的重要基礎。智能PNT，將人工智能應用于PNT服務領域，將是當前和今后一段時間PNT理論研究與應用研究的重點領域和發展方向，是實現彈性PNT的重要途徑。

人工智能(artificial intelligence，簡稱AI)是計算機科學的一個分支。自從20世紀50年代人工智能理論被提出，已經滲入到各行各業，擁有較為完整的理論框架和算法體系[3]。人工智能的核心是將專家智慧變成機器智能，實現機器代替人的行為和操作。主要分支領域包括機器人、語言識別、圖像識別、自然語言處理和專家系統[3-4]。

近幾年，人工智能的發展，促進了測繪科學與技術的智能化進展。在互聯網人與人信息便捷交互的大背景下，滿足人與社會及人與環境多種需求的泛在測繪成為可能[5]。但是，要實現智能化測繪與服務需求，互聯網、物聯網必須向具有精準時空位置感知能力的泛在網演進；在綜合對地觀測日臻完善的大背景下，各類地理空間信息將十分豐富，于是，未來實現用戶定位、導航、授時、影像及地理信息的實時智能服務不僅成為可能，而且會將成為趨勢[6]；特別是，在空天地集成化傳感網的支持下，實現城市的智能感知、智能決策，即所謂的智慧城市將是智能測繪發展的重點[7]。

在衛星遙感領域，智能化遙感衛星和智能化在軌衛星遙感影像處理可能成為未來的發展趨勢[8]；隨著各種實時影像采集 *** 與手段的進步，如激光掃描、傾斜攝影等海量影像數據的出現，如何從海量數據中快速、精確獲取有效的三維地理信息成為測繪地理信息領域迫切需要解決的難題。于是點云數據的智能處理將成為重點研究方向之一[9]。

在PNT領域，人工智能也有著廣泛的應用前景[10-11]。但是，迄今為止，PNT體系的智能往往側重PNT信息的智能建模，如附加系統誤差補償參數的觀測模型優化[12]，附加周期誤差補償函數的水下聲吶定位觀測模型等；有的側重于觀測隨機模型的智能調整，如基于方差分量估計的隨機模型調整法[13-14]等；在動態導航方面，自適應Kalman濾波也采用了智能調整動力學模型貢獻的 *** ，降低異常動力模型對動態導航的影響[15-16]。

PNT本身沒有智能，而應用PNT或PNT服務需要智能。只要把PNT體系及其算法與“人工智能”相結合，實現PNT應用場景的智能感知、智能識別、PNT信息的智能集成、智能建模和智能融合，即可實現智能PNT應用。于是，可以把人工智能在PNT領域的應用簡稱為智能PNT服務。

但是，無論是智能PNT體系，還是智能PNT服務或智能PNT應用，都需要真正將計算機領域的人工智能與PNT服務相結合，解決PNT應用與服務的智能化問題，例如，PNT應用與服務的專家系統的構建，PNT服務的知識圖譜建設，智能PNT服務的深度學習 *** 等，都需要深入研究與探討。

智能PNT服務可定義為：將PNT專家的思想、知識和用戶的需求相結合，并實現算法優化，建立適應用戶需求的專家系統，再將PNT專家系統轉化到機器可識別的知識圖譜，最后實現PNT智能保障和智能服務的全過程。

智能PNT服務不追求個性化的PNT專家知識，而是融合大多數PNT體系專家的理論成果和應用領域專家的經驗，形成共性化的知識，即所謂的專家“共識”，再以多學科專家的“共識”生成“專家知識庫”[17]，各類PNT計算模型、融合模型、融合 *** 等都屬于專家知識庫的內容。當PNT專家的“知”“識”轉化為“智”，即實現了PNT智能服務的之一步。

PNT專家系統生成的“智”要轉化成“能”還必須解決PNT感知與服務的邏輯推理問題，即將PNT專家系統轉化為“PNT腦”，使其具備感知、分析、識別、推理和決策的能力。如此，需要將PNT專家的知識轉化為“規則”，進而表示成計算機可理解的語言(即專家知識表示)，也就是用計算機符號表示PNT專家大腦中的知識，并通過符號之間的運算模擬PNT專家大腦的推理過程，實現PNT專家或工程師的知識以及PNT用戶需求的“可讀、可寫、可視、可分析、可推理”，即用邏輯支撐語義，生成知識圖譜(knowledge graph)。PNT知識圖譜與計算機 *** 的知識圖譜不同，PNT知識一般可以直接模型化或符號化。所以，PNT應用的知識圖譜往往把專家的知識模型化，便于計算及識別。計算機 *** 的知識圖譜則是“知識”的可視化和知識映射的結構化[4, 18]。沒有PNT知識圖譜生成能力，則不可能實現專家知識與智能應用的轉換，專家知識可能永遠停留在書本上和論文里。只有將PNT專家的知識邏輯化、模型化，計算機才能模仿人腦描述知識、分析規律、挖掘知識間的聯系，真正把專家的“知”轉換為“識”，并由“共識”提煉成“規則”，才能為PNT智能應用提供真正的“能”。

PNT的專家知識和知識圖譜要轉化成PNT服務智能，還必須實時感知PNT用戶的實際需求和實際PNT應用環境，于是各類PNT信息的“可用性感知”和PNT信息的“可靠性判斷”也是智能PNT應用的先決條件。這種感知PNT的應用環境和判斷PNT信息的可用性、可靠性和精確性等屬于機器學習范疇。機器學習是根據專家知識和知識圖譜實現PNT智能的重要環節。理解用戶需求是一種“學習”，判斷PNT信息的可用性、可靠性和連續性等也是“學習”。實時或準實時“學習”是了解PNT環境、獲取新的知識或技能的重要途徑，也是重新優化已有的PNT模型和知識結構的重要內容。

基于實時學習才能不斷改善PNT各類模型，進而改善PNT信息融合性能。在動態PNT數據處理和智能應用中，監督學習(supervised learning model)、半監督學習(semi-supervised learning)、強監督學習(reinforcement learning model)和無監督學習(unsupervised learning)都有特定的使用場景。

監督學習通過對有標簽(參考模型或參考標簽)的數據進行訓練，以某種誤差最小準則，構建模型誤差與參考模型誤差之間的函數關系，從而在更廣泛的應用中對模型誤差進行修正，實現所謂的機器智能。如神經 *** 學習[19]就屬于監督學習法，已有不少學者利用神經 *** 學習進行動力學模型改進研究[20-22]。

半監督學習法與監督學習法的區別在于，參考模型(標簽)不足以作為模型優化的參考，特征較少，一般是綜合利用具有部分參考標簽的有限樣本進行學習，獲得標簽數據和特征參數之間較為精確的函數關系。半監督學習法已經在室內定位方面開展過嘗試[23]。

強監督學習與監督學習和半監督學習不同，盡管也是利用未標簽的數據進行學習，但是不需要事先對數據進行標記，而是以馬爾可夫決策過程進行學習和訓練，通過不斷的“試錯”進行積累或通過誤差反饋信息進行學習，最終得到全局更優解。導航定位領域，已經有學者將監督學習應用在GNSS多路徑識別中，結果顯示通過足夠的訓練數據，可在靜態觀測中有效識別多徑信息[24-25]。在組合導航系統中，利用誤差信息進行動力學模型協方差矩陣自適應調整也可以使用強監督學習法，但是過程過于復雜，而且大多數情形下，基于強監督學習的自適應濾波并不比不確定度簡單統計的自適應卡爾曼濾波效果好[15-16]。

無監督學習法無須足夠的先驗知識，或者參考信息，一般利用訓練樣本解決類別未知(沒有被標記)的模式識別問題，稱之為無監督學習。無監督學習的典型例子是聚類學習[27]，聚類學習的目的是將相似的內容聚在一起，計算相似度；此外，還有分割聚類算法如k-means算法、k-medoids算法和k近鄰學習等[27]。無監督學習可以用于導航衛星信號的非視線傳輸(NLOS)的檢測問題[28]。

所有上述智能學習都有前提，即觀測類型和數量必須具備幾何冗余或物理原理冗余，于是綜合PNT[1]是智能PNT的基礎，否則不可能實現PNT信息可用性感知和可靠性判斷，也就不能實現PNT信息處理的智能。首先，在PNT信息多源、物理原理多源的條件下，用戶才能根據實際PNT應用環境判斷各類PNT信息的可用性，在此基礎上實現“可用PNT信息”的彈性集成；在彈性PNT原理[2]的支持下，專家系統才能根據環境聚類學習、模型誤差不確定度學習，智能調整各類PNT函數模型和隨機模型；在優化的函數模型和隨機模型支持下，才能實現PNT信息智能融合以及PNT智能和精準服務。

如果沒有冗余PNT信息，即使有專家知識，也不能生成智能，也談不上用戶PNT服務的智能決策和智能服務。因為，要將PNT科學家的“知”“識”“智”轉換成PNT用戶的“能”，需要足夠的感知信息、冗余信息，為各類智能學習提供基礎；如果還有標簽信息(及外部參考信息)，則更能支持機器學習(監督學習)，實現PNT應用的“智”與“能”。

圖1給出了智能PNT信息生成的基本框架

PNT智能服務的核心是：用最適合的PNT服務模式服務于最適合的用戶。這里涉及若干關鍵環節，每個環節都應該遵循特定的準則。

(1) 用戶需求的智能感知與集成可用性準則(availability)。各類用戶所處的環境千差萬別，有靜態用戶，有動態用戶，有地下、水下和隧道活動的用戶，還有被各類電磁環境干擾的用戶。要實現PNT智能服務，首先要感知用戶PNT信息的可用性。如水下、地下和室內用戶，基于無線電原理(包括GNSS)提供的PNT信息一般不可用；在強磁干擾環境下，磁強計提供的導航信息一般不可用；無地面通信基站的環境下，通信信號提供的PNT信息一般不可用等。于是，多源PNT協同感知技術及其PNT信息可用性感知是智能PNT服務與應用的前提條件，也是關鍵技術之一。在用戶需求感知和PNT信息可用性判斷的基礎上，各類PNT信息集成與融合才有意義，進而才有可能生成用戶最可靠的PNT服務信息。于是，PNT信息的智能感知和應用環境的智能感知是智能PNT服務的研究方向之一。

(2) PNT信息的智能函數模型優化必須遵循可靠性準則(reliability)。函數模型智能化的基礎是模型的“可靠性”。模型的可靠性側重反映模型的系統誤差，而不是模型的隨機誤差。因為隨機誤差一般不能通過函數模型進行補償。要實現函數模型實時智能優化，則必須具備模型系統誤差識別能力，模型誤差變化規律學習能力，否則函數模型的智能優化將失去基礎。

不同環境下，即使同一類PNT感知信息，受各類環境的影響，觀測誤差特性也會存在差別，于是，相應的觀測模型所包含的誤差參數的特性和變化規律也應該有所差別。通常認為，“智能函數模型”一般是基于機器學習擬合模型誤差規律，進而優化觀測模型[11]，其中神經 *** 學習法[19-22, 29]是機器學習使用最為廣泛的智能學習 *** 之一。其實，有時很簡單學習法也能起到函數模型智能優化的效果。例如開窗擬合法可以擬合模型系統誤差趨勢(類似于簡單回歸分析建模)，并補償到觀測模型中，用于改進函數模型[12]，屬于函數模型智能優化的一種；如果在函數模型中附加待定誤差補償參數項，如周期函數、指數函數、多項式等，使函數模型更適應實際觀測或實際運動學特征，也屬于函數模型智能化的 *** 之一；所謂的彈性函數模型[2]實質上也是函數模型智能化策略之一。作為一個典型的海洋PNT智能建模的例子，文獻[30]針對不同海區的不同聲速變化和聲線彎曲，構建了具有周期誤差函數項的觀測模型，這類模型的周期和振幅是根據不同海洋環境的變化而變化的，于是這類聲吶觀測模型不僅顯示了彈性化，也隱含了智能化。常用的函數模型優化大多數不是監督學習法，而是半監督學習(即依據部分高精度參考信息實施模型誤差識別與智能優化)或自監督學習法(即根據模型參數估計后的觀測殘差，沒有任何外部參考信息的幫助的條件下，重新擬合模型系統誤差，并進行模型優化)。

(3) PNT信息的智能隨機模型調整必須遵循不確定性準則(uncertainty)。多源PNT信息具有完全不同的不確定性，即使相同類型的PNT觀測信息或者相同類型載體運動信息，在不同的環境下，相應的不確定度也可能不同。要真正實現PNT信息隨機模型的智能化調整，需要實時確定各種環境下各類觀測信息的不確定度，并且基于觀測信息的不確定性確定觀測的合理隨機模型。通常采用的方差分量估計確定各類隨機量的方差或者權重[13]屬于隨機模型智能化調整的 *** 之一；文獻[32]采用遺傳算法自適應調整隨機量的方差或權重；對于個別異常PNT感知信息，采用抗差估計和相應的等價權法[32]，智能調整異常觀測隨機模型，也可以歸屬于智能隨機模型調整。

特別強調，同時存在顯著的函數模型誤差和隨機模型誤差，則需要同時優化函數模型和隨機模型，這類混合智能模型優化十分困難，值得深入研究。

(4) PNT信息的智能融合必須遵循精確性準則(accuracy)。在智能PNT環境感知的基礎上，根據不同PNT信息的智能函數模型和智能隨機模型，更優化地融合各類PNT觀測信息，確定用戶最終PNT參數，實現用戶智能PNT應用，這屬于智能PNT融合范疇。正如前面所述，智能函數模型強調的是系統誤差擬合，智能隨機模型強調的是觀測隨機誤差特性的擬合，兩者均反映在“精確性”概念里，于是，PNT信息智能融合是基于智能函數模型(可靠的函數模型)和智能隨機模型(根據不確定性調整的隨機模型)體現信息融合的智能。

筆者早期建立的自適應Kalman濾波[15-16]理論，將動力學模型信息與實時PNT感知信息實施自適應融合，即根據動力學模型信息與觀測模型信息的偏差，確定動力學模型信息和觀測信息在PNT融合結果中的貢獻，這是簡單的智能融合；之后建立的多源導航傳感器自適應融合模型[33]也屬于PNT信息的智能數據融合。當然，智能PNT數據融合存在復雜的環境適應性判斷，需要實時感知各類PNT觀測信息的不確定性和觀測模型的可靠性。

(5) PNT服務信息的智能推送必須遵循高效性準則(efficiency)，對高動態、高安全用戶還必須遵循連續性(continuity)和完好性(integrity)準則。個性化PNT服務是智能PNT服務的核心，而用戶需求感知、需求識別與需求挖掘，是實施PNT精準服務的重要前提。最終目的是，確保最合適的PNT信息推送給最合適的PNT用戶，最可靠的PNT融合模型生成最可靠的PNT信息。

我們強調的精準服務是指PNT服務的高效率(efficiency)和高精度(accuracy)，以及高安全用戶的完好性(integrity)和高連續性(continuity)。于是，需要將與綜合PNT服務平臺上的用戶日常PNT使用場景、環境和使用習慣進行分析聚類，基于聚類的PNT用戶需求，再實施適應 *** 和特色服務。用戶PNT使用習慣和使用需求挖掘屬于PNT用戶大數據挖掘技術，可以利用深度學習 *** ，從用戶的定位導航記錄中，理解用戶環境、理解用戶需求?；谏疃葘W習的PNT智能推送或智能“推薦”是PNT智能服務的重要手段，也是重要研究方向。但是必須說明，智能PNT服務不能窮盡所有非合作用戶的動態需求。由于在動態變化過程中，用戶需求感知取決于用戶傳感器的自感知，或者用戶與綜合PNT服務平臺的信息交互，即使可以利用深度學習 *** 挖掘用戶需求，也只能學習那些與“綜合PNT服務平臺”有信息交互的用戶需求，而非合作用戶或者與“綜合PNT服務平臺”沒有任何聯系的用戶的智能服務，只能靠自身傳感器的智能感知和智能決策。當“綜合PNT服務平臺”感知用戶需求，并能實施用戶需求的智能判斷，則可以實現對用戶PNT服務的智能推送。顯然，智能PNT服務的核心是為合作用戶提供或推薦多手段集成的最實用的、最精確的、最可靠的PNT信息。

上述智能PNT服務流程及遵循的準則如圖 2所示。

智能PNT的核心是智能PNT服務和應用。只有將PNT專家的“知”與“識”規則化，生成PNT應用的“智”，即專家知識庫，計算機才能識別和利用專家知識；在專家知識庫的基礎上，還需進一步生成PNT知識圖譜，使專家知識轉化成計算機可識別的語言，為智能PNT的“能”提供基礎。

智能PNT服務的前提是大量冗余PNT信息，在冗余PNT信息的支撐下，才能識別用戶PNT信息可用性，于是，綜合PNT體系將是未來智能PNT的重要基礎；此外，智能PNT服務需要個性化和特色化服務，于是，用戶的PNT需求實時感知和環境的動態感知，成為智能PNT智能服務的重要輸入；在PNT信息可用性基礎上，需要實現PNT觀測模型的可靠性和不確定性識別，為觀測模型的智能優化和隨機模型的智能調整奠定基礎；基于用戶的PNT智能觀測模型和智能隨機模型，即可實現用戶PNT信息的智能融合，或彈性化融合。在此基礎上，實現PNT服務信息的智能推送或智能推薦，以確保用戶PNT應用的精確性、連續性、完好性和高效性。

PNT智能服務的準則可以歸納為：PNT信息集成的可用準則，函數模型智能優化的可靠性準則，隨機模型智能優化的不確定性準則，信息智能融合的精確性準則，大眾用戶PNT信息智能應用的高效性準則，以及高安全用戶PNT應用的高連續性和完好性準則。

總體來說，PNT智能服務是感知、經驗、理論、模型、技術、 *** 、效能的綜合，智能PNT體系及智能PNT應用的研究才剛剛起步，需要研究的內容十分豐富。