基于时间偏移优化估计与多速率测量融合的自适应GNSS-5G混合定位方法

本文针对全球导航卫星系统（GNSS）与第五代移动通信网络（5G）融合定位中的时空基准不一致（时间偏移）与多速率测量融合两大核心挑战，提出了一种联合时间偏移估计与分阶段融合策略。该研究通过建立自适应时变偏移模型、设计基于伪测量的相对时间偏移估计算法，并构建两阶段滤波框架与分阶段多速率融合策略，有效解决了动态场景下偏移累积与数据时序失配问题。仿真结果表明，该算法在定位精度上显著优于SPP、EKF、UKF等八种主流算法，为高动态场景下的可靠定位提供了创新性解决方案。

　　

Highlight

Section snippets

Problem formulation

本研究聚焦于三维定位场景下的异构多传感器目标跟踪系统，该系统包含两个关键模型：一个考虑时间偏移以表征传感器数据时间特性的测量模型，以及一个描述目标运动规律的动态模型。该系统包含多个5G基站和一个GNSS接收器，移动目标通过接收来自两类传感器的测量信息来实现状态估计。5G基站提供径向距离和角度测量，而GNSS提供高精度的时间基准和位置坐标。

Adaptive GNSS-5G hybrid positioning method

本节详细阐述了所提出的自适应GNSS-5G混合定位算法的原理。为了提升GNSS-5G混合定位的性能，本文从三个方面对传统的扩展卡尔曼滤波（EKF）进行了显著改进：

首先，提出了一种基于伪测量的相对时间偏移估计算法，用于估计5G系统与GNSS之间的相对时间偏移，并利用GNSS绝对时间偏移先验信息为零的特性，间接实现对5G绝对时间偏移的估计，从而攻克了动态场景下偏移累积的难题。

其次，设计了一个两阶段滤波框架：第一阶段通过改进的无偏转换测量（MUCM）卡尔曼滤波器处理5G极坐标测量的坐标转换误差，结合标准卡尔曼滤波器分别估计5G和GNSS的目标状态；第二阶段则基于目标速度估计构建时间偏移伪测量，实现了相对时间偏移的高效求解。

最后，提出了一种分阶段多速率融合策略：在GNSS采样时刻，通过自适应加权融合来校正5G高频数据的累积误差；在非GNSS时刻，则利用5G高频测量和运动状态方程预测来维持对高动态目标的跟踪精度，实现了“低频基准校正与高频动态捕捉”的优势互补。

Performance analysis of the proposed algorithm

本节分析了所提出算法的性能，包括绝对时间偏移的稳定性分析、相对时间偏移估计的后验克拉美-罗下界（PCRLB）分析以及测量补偿误差的分析。

Simulation

为了全面验证所提出的GNSS-5G混合定位算法的有效性，本节构建了一个多传感器动态目标跟踪场景，并通过控制变量法设计了多组对比实验。实验重点关注两个核心性能指标：一是时间偏移的估计精度，通过均方根误差（RMSE）和收敛速度来量化算法估计时间偏移的能力；二是定位精度，通过比较不同算法在相同场景下的定位误差分布和稳定性来评估其综合性能。

Conclusion

GNSS-5G混合定位技术是突破单系统性能瓶颈的关键途径，但在实际应用中面临时空基准不一致和多速率测量融合等核心挑战。为了有效解决这些问题，本研究提出了一种结合时间偏移估计与两阶段融合策略的解决方案。具体而言，构建了自适应时变偏差模型，并提出了一种相对时间偏移估计算法。