Echo

Echo 关注TA

大家好,我是Echo!

Echo

Echo

关注TA

大家好,我是Echo!

  •  普罗旺斯
  • 自由职业
  • 写了309,679,512字

该文章投稿至Nemo社区   资讯  板块 复制链接


“北斗”卫星导航背后的 GNSS 技术,到底是什么

发布于 2020/07/21 18:17 481浏览 0回复 3,862

2020 年 6 月 23 日 9 点 43 分,我国在西昌卫星发射中心成功发射了北斗系统第五十五颗导航卫星,也是北斗三号的最后一颗全球组网卫星。至此,北斗三号全球卫星导航系统星座部署全面完成。

新闻出来之后,国人为之振奋,纷纷点赞转发。社会各界对卫星定位产业的关注度,也冲上了新高。

那么,像北斗这样的卫星系统,究竟是如何实现定位的呢?为了实现更好的定位效果,它引入了哪些关键技术?卫星定位产业的发展,正在进入怎样的阶段?

今天这篇文章,我们就来聊聊卫星定位系统的那些事儿。

什么是 GNSS

首先,我们要知道,北斗和大家更为熟悉的 GPS,都属于全球导航卫星系统,也就是 GNSS(Global Navigation Satellite System)。

北斗是我们中国自主研发和建设的 GNSS 系统。而 GPS,是美国的 GNSS 系统,也是全球最早的 GNSS 系统(开始于 1973 年,1995 年全面投入运行)。

同样具备全球覆盖能力的 GNSS 系统,还包括俄罗斯的 GLONASS 和欧洲的 Galileo。

除了全球性的卫星系统之外,GNSS 还包括一些区域性的系统(例如日本的准天顶系统 QZSS 和印度的 IRNSS),以及增强系统(例如美国的 WAAS、日本的 MSAS 和欧盟的 EGNOS 等)。增强系统,是基于全球或区域系统的辅助系统,可以满足更多场景需求。

GNSS 的类别

GNSS 的作用是定位和导航。准确来说,它还有一个普通人不太注意的功能,那就是授时。

学术上对 GNSS 的定义是这么说的:

全球导航卫星系统,是能在地球表面或近地空间的任何地点,为用户提供全天候的三维坐标、速度以及时间信息的空基无线电导航定位系统。

看明白了吧,三维坐标、速度、时间信息,是 GNSS 的必备功能。这三个信息,我们通常称之为 PVT(Position Velocity and Time)。

值得一提的是,咱们国家的北斗系统还有一个独特的功能,那就是短报文(也就是文字信息)。在关键时候,这个功能可以发挥很大的作用。

GNSS 的工作原理

那么,GNSS 是如何帮助用户获取 PVT 信息的呢?

我们来做一个非常简单的立体几何数学题。

众所周知,地球表面的任何一个位置,都有它的三维坐标,也就是经度、纬度和高程。它头顶上的 GNSS 卫星,也有自己的三维坐标。

那么,我们把整个空间看成一个坐标系,可以画一个立方体。立方体的两个对角,分别是用户和卫星,如下:

根据中学立体几何的知识,我们可以知道,卫星和用户之间的距离△L(这个距离也被称为 “伪距”),是:

卫星的坐标是(x’,y’,z’),这是已知的。用户的坐标是(x,y,z),这是未知的。

与此同时,卫星可以给用户终端发信号,信号的传输速度基本上几乎等同于光速 c。而卫星上面有精度极高的原子钟,所以知道自己的时间是 t。假设用户终端的时间是 t’,那么,卫星和用户之间的距离△L,又可以通过下面这个公式算出:

两个公式一合并,就变成了:

一个公式里有 4 个未知数(x,y,z,t),大家都懂的,这个公式是解不出来滴。

怎么才能解出来?再列三个公式呗。

也就是说,再找 3 个卫星的坐标值,组成 4 个四元方程,就 OK 了。

这就是为什么,一个用户终端要想解算出自己的准确位置,必须要有至少 4 颗卫星。

很简单的数学知识,不难理解吧?

GNSS 的关键技术

虽然 GNSS 的工作原理看似简单,但真正想要把这个系统做好,是非常困难的。

衡量一个 GNSS 系统是否足够优秀,主要看它的精度、速度和灵敏度。这个速度,主要是指从启动定位设备到首次正常定位所需的时间,也称为 TTFF(Time to First Fix)。

影响 GNSS 定位精度的主要原因,是误差。误差既来自系统的内部,也来自外部。例如穿透电离层和对流层时产生的误差,还有卫星高速移动产生的多普勒效应引起的误差,以及多径效应误差、通道误差、卫星钟误差、星历误差、内部噪声误差等等。

这些误差,有些是可以完全消除的,也有些是无法消除或只能部分消除的。消除水平的高低,直接决定了系统的准确性和可靠性。

为了更好地消除误差、提高反应速度,GNSS 会引入一些天基或陆基的辅助手段。结合辅助手段的 GNSS,也被称为 A-GNSS。A 就是 Assisted,“辅助”的意思。

现在比较常用的,是通过陆基的移动通信网络,传送增强改正数据,提供辅助信息,加强和加快卫星导航信号的搜索跟踪性能和速度,缩短定位时间,提高定位精度。

A-GNSS 系统架构

除了 A-GNSS 之外,GNSS 还引入了一些关键技术,帮助提升系统性能。

首先是 RTK 技术。

RTK(Real-time kinematic),称为实时动态差分法,又称为载波相位差分技术,是实时处理两个测量站载波相位观测量的差分方法,包括传统 RTK 和网络 RTK。

传统 RTK 模式,只有一个基准站。网络 RTK 模式,有多个基准站。

以网络 RTK 为例,多个基准站会采集监测数据发给控制中心,控制中心针对数据进行粗差剔除后,再进行解算,并最终将改正信息发给用户。

网络 RTK 的覆盖范围很快,可以距离用户上百公里。而且,网络 RTK 拥有更高的精度和稳定性。

然后是惯性导航技术。

GNSS 卫星定位虽然方便,但容易受客观条件的影响。例如隧道、森林等路段,GNSS 信号容易中断。此时,就需要临时采用其它的辅助手段。

航位推算(DR,Dead Reckoning),就是一种自主式的惯性导航技术。通过采用加速度传感器和陀螺仪传感器,结合一些专用算法,它可以根据用户终端(例如车辆)的初始位置信息以及传感器获得的信息,推算出用户终端在盲区位置的高精度导航数据。

DR 和 GNSS 有很强的互补性,一方面 DR 可以帮助补盲,另一方面 GNSS 也能对 DR 进行实时纠偏,帮助 DR 推测出更准确的位置。

此外,就是双频技术。

所谓双频,很好理解,就是 GNSS 模组同时支持多个不同 GNSS 系统的不同频段,以此增强信号的接收能力。

四大导航系统工作频率表

GNSS 的应用场景

在众多黑科技的加持下,GNSS 系统目前已经具备极高的响应速度和定位精度,也有非常可靠的稳定性。行业主流 GNSS 模组的 TTFF 速度目前已经提升为秒级,定位精度也从十米级、米级提升为亚米级、分米级甚至厘米级。

这些指标已经完全能够满足大部分的行业应用需求。例如交通、水利、减灾、海事、勘探、建筑等领域,现在都在大量使用 GNSS 模组。

上述场景中,应用最为广泛且最值得关注的,是车载 GNSS 模组的应用。

随着 “万物互联”时代的到来,车联网作为核心应用,正在进入爆发期。

虽然我们总是强调 5G 对车联网的重要意义,但不可忽视的是,GNSS 定位导航服务,同样是车联网发展的必备条件。

试想一下,如果没有高性能 GNSS 车载模组的支持,车辆连自己的准确位置信息都不知道,可以说是寸步难行。

GNSS 车载模组能够为自动驾驶、远程驾驶提供了可靠的定位、导航和测距数据来源,是 ADAS(高级驾驶辅助系统)不可或缺的组成部分。

除了保障正常驾驶之外,GNSS 车载模组还可以用于车辆防盗、紧急救援、集群调度、车队管理等应用需求。

对于企业来说,车辆是重要的运营资产。车辆的位置信息,是重要的管理数据。

GNSS 车载模组可以帮助企业掌握实时数据,跟踪车辆位置,更有效地管理这些资产。对于一些特种车辆,例如危险品运输车,GNSS 车载模组的重要性更是不言而喻。

目前,物联网模组行业龙头移远通信已有多款车规级 GNSS 车载模组投入市场,包括 LG69T/L26-DR/L26-T/L26-P 等多个型号产品,均取得了不错的反响。

移远通信车规级双频高精度定位模组 LG69T,支持 RTK 和 DR 技术,在大型整车厂及 Tier 1 客户中备受青睐。该模组严格按照 IATF 16949:2016 汽车行业质量管理体系标准而制造,其关键器件符合 AEC-Q100 标准要求,可同时接收多个 GNSS 卫星信号,并在数秒内收敛到厘米级定位精度——在开阔环境下,可以输出精度 5 厘米的定位数据。即使在诸如城市峡谷等复杂环境中,LG69T 也可实现亚米级精度,全面提升定位性能。据悉,LG69T 有望最早在 2021 年量产的车型中投入使用。

移远通信 L26-DR 支持 DR 惯性导航技术,集成了 6 轴传感器和 GNSS 算法引擎,具备出色的融合定位性能,可在隧道等无 GNSS 信号环境下实现 1-2 米定位精度,为追踪器、T-Box、车载导航、车队管理、物流信息管理等等汽车、工业和消费类应用提供了理想选择。

结 语

经过数十年的发展,GNSS 系统从当初的 GPS 一家独大,到现在变成 GPS、北斗、GLONASS、伽利略等多系统共存,可以说是取得了长足的进步。如今的 GNSS 系统,已经具备提供全方位、全天候、高精度、高速率定位导航服务的能力。

GNSS 变成了重要的国家级数字化基础设施,对推动数字经济发展有重要意义。围绕 GNSS,目前已经衍生出了一系列具有增值潜力的服务场景。越来越多的公司企业,正在加入 GNSS 的上下游产业链。

GNSS,未来可期!


本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/499/014.htm]

本文标签
 {{tag}}
点了个评