摘要
在复杂的城市环境中，由于建筑物的遮挡和反射，GNSS卫星信号会遭受严重的多路径误差影响，这大大降低了精确点定位（PPP）的精度。本文提出了一种基于深度学习的半球面网格多路径校正模型（DL-MHM），该模型结合了滤波与卫星嵌入机制。它采用多系统互操作的MHM框架来实现有效的多路径误差校正。首先，利用无电离层干扰的组合方法计算PPP所需的伪距和载波相位观测残差。接着，运用联合中值滤波与卡尔曼滤波算法来抑制多日连续残差序列中的噪声。此外，还构建了一个基于变换器的时间序列学习模型，该模型通过引入针对不同卫星的嵌入向量来体现各卫星之间的差异，并深入融合时间特征。这样一来，模型就能适应不同卫星的残差变化模式，精准地提取出多路径误差。最后，将深度学习模型预测出的多路径分量纳入多系统互操作的MHM模型中，从而生成最终的多路径校正结果。测试结果表明，在严重受遮挡的城市环境中，经过DL-MHM校正后，东向、北向和向上方向的坐标残差的均方根值分别提升了49.27%、1.80%和3.35%，而未经过校正的数据则没有这些提升。在开阔的天空环境中，相应的提升幅度分别为7.70%、5.48%和34.28%。在所有实验场景中，所提出的方法的整体多路径校正性能均优于传统的半球面多路径图（MHM）模型以及基于卷积神经网络-长短期记忆网络（CNN-LSTM）的MHM模型。实验结果证明，所提出的DL-MHM模型能够有效减轻复杂城市环境中的多路径误差，显著提升GNSS精确定位的精度。
