随机森林辅助的单频多普勒全球导航卫星系统周跳检测

《Geomatica》：Random forest aided single frequency doppler based GNSS cycle slip detection

　　

周跳检测是高精度全球导航卫星系统（Global Navigation Satellite System, GNSS）定位的前提。然而，对于工作在低采样率（1 Hz）下的单频接收机，多普勒积分法易受大气漂移、钟差等缓慢变化误差的影响，导致检测失效，这一问题在低成本消费设备中尤为突出，会严重降低定位完好性。为此，研究人员提出了一种机器学习辅助框架，采用随机森林（Random Forest）分类器评估多普勒周跳检测的可靠性。模型采用双历元特征集，包含多普勒相位变化量（Doppler-derived Phase Change Variation, DCV）、载噪比（Carrier-to-Noise Density, C/N0）及卫星高度角，并在包括u-blox ZED-F9P接收机、Google Pixel 4、Pixel 7 Pro及Pixel 8a在内的消费级设备数据上进行训练与验证。结果表明，传统多普勒法在挑战性数据中失效率较高，而该模型表现出较强的泛化能力，对不可靠历元的召回率达96.48%。通过优先剔除假阴性结果，该方法能有效滤除粗差，可作为低成本和单频GNSS应用的完好性增强工具。

该研究发表于《Geomatica》，针对低采样率单频GNSS接收机在城市环境下周跳检测失效的问题展开。由于单频接收机缺乏频率冗余，且1 Hz采样率下大气延迟和接收机钟差变化可能超过一个波长，传统多普勒积分法易产生一周期模糊度，导致检测失败，尤其在智能手机等低成本设备中表现明显。为解决这一问题，研究人员提出了一种基于随机森林的周跳检测可靠性评估框架，通过机器学习辅助区分多普勒法的可靠与不可靠历元，以提升定位完好性。

在技术方法上，研究人员采集了多源观测数据，包括u-blox ZED-F9P接收机约70小时的屋顶静态观测，以及Google Pixel 4、Pixel 7 Pro和Pixel 8a在不同日期的静态控制点观测，构成混合数据集。预处理阶段设计了接收机钟跳检测与消除算法，通过所有可见卫星DCV值的阈值判断和星间差分，去除共模钟跳影响。特征输入采用双历元五维向量，包括载波相位、多普勒观测值、DCV、C/N₀和高度角，经拼接形成十维输入。模型选用随机森林分类器，并通过网格搜索优化超参数，以召回率为优先指标进行训练。

研究结果分为三个部分。第一部分是模型训练与特征利用。通过超参数消融实验，测试集最佳召回率配置为16棵决策树、最大深度25，达到96.48%；测试集准确率78.83%。特征重要性分析显示，当前历元DCV贡献超过75%，前一历元DCV次之，C/N₀和高度角提供辅助信息。第二部分是模型性能分析。在测试集中，模型对不可靠历元的检测表现出保守倾向，真阳性265例，假阴性仅19例，假阳性111例，体现出优先保障定位完好性的设计思路。第三部分是模型泛化能力验证。训练集和测试集的可视化结果表明，模型能够在极端噪声条件下保持稳定识别，未出现系统性误判。

在讨论与结论部分，研究人员指出，随机森林模型在单频低采样率GNSS周跳检测中起到了“安全网”作用，通过牺牲部分数据可用性，有效降低了漏检风险。该方法的优势在于不依赖多频观测，适用于低成本消费级设备，并且在动态环境中，通过星间差分可抵消由运动引起的共模钟差变化。未来工作可通过引入动态场景数据进行训练，进一步提升其在运动平台上的适用性。