本发明属于导航与定位技术领域，具体涉及一种目标位置更新延时的评估方法。
背景技术：
位置作为导航与定位系统的最终输出，其与姿态和速度共同构成导航解的重要部分。在各种导航与定位系统的应用环境或场景中，常常需要对系统中所关注和获得的目标位置更新信息进行精度、延时、鲁棒性等各种指标评估，以评价不同导航与定位方法或系统的优劣。这里的应用环境或场景包括但不限于空旷的室外环境操场，以及建筑物密集型区域、居民楼、超市、机场大厅、候车室、剧院、地下停车场、森林、峡谷、矿井、隧道等卫星信号拒止环境；目标包括但不限于机、舰、车、人等。
本质上，延时指的是接收信息与发送信息的时间差。与准确的、量化的精度估计不同，目前对目标位置更新延时的估计或者被忽略或者估计得比较粗糙。然而在一些紧急救援、目标位置快速变化或者需要对目标位置信息实时更新的场景下，对目标位置更新延时的估计就显得尤为重要。众所周知，目标位置的传输一般遵循推拉协议，即控制中心发出请求指令来获得目标的位置信息，或者目标按照预定的频率上传位置信息给控制中心，或者是两种方式的结合。已有方法中对目标位置更新延时的估计或者处理手段如下：1)忽略延时，针对静态、准静态或低动态的目标，忽略延时在工程上是近似可行的；2)粗略估计，针对动态目标，借助于高性能参照系统(性能一般需要比待评估系统高一个数量级，高性能指的是低延时)，此时通过平移时间戳，使待评估系统的位置与参照系统的位置输出对齐，时间戳的平移量即为待评估系统位置更新的延时；然而该方法会受到参照系统位置精度的影响，参照系统的位置误差会直接影响待评估系统的延时估计。更值得一提的是，在实际中往往缺少提供准确时间戳和高精度的参照系统，使得对位置更新延时的量化评估变的尤为困难。
综上，当前对目标位置更新延时的估计的难点是缺少可量化的评估方法或评估不全面。为了解决上述问题，本发明提出了一种目标位置更新延时的评估方法，有望弥补该领域的技术空白。
技术实现要素：
为了解决背景技术中所提出的技术问题，本发明的目的在于提供一种目标位置更新延时的评估方法。
为了实现上述目的，本发明采取的技术方案为：一种目标位置更新延时的评估方法，包括以下步骤：
目标位置更新延时的评估建模；
对评估建模的量化；
所述目标位置更新延时的评估建模是将目标位置更新延时定义为硬延时和软延时的组合函数，数学模型如式(1)所示，
其中d表示延时，dh表示硬延时，ds表示软延时，
所述硬延时定义为按照某种通信协议，位置数据与控制中心或云平台进行通信时经过物理拓扑链路和/或空间拓扑链路产生的延时；所述物理拓扑链路产生的延时是指位置数据通过有线方式传输时产生的延时，所述有线方式包括但不限于电缆、光纤等；所述空间拓扑链路产生的延时是指位置数据通过无线方式传输时产生的延时，包括信号反射、折射、绕射和多径效应等影响，所述无线方式包括但不限于3g、4g、5g等组网和通信方式；
所述软延时定义为软件算法层面位置更新间隔导致的延时。
进一步地，所述对评估建模的量化是对目标位置更新延时的数学模型的具体化，即硬延时dh和软延时ds的数学期望的叠加和，如式(2)所示，
d＝e[dh ds]＝e[dh] e[ds](2)。
式(2)实现了对延时这一指标进行量化和综合评估。
进一步地，所述硬延时为随机变量，将其建模为均值为μ，方差为σ2的正态分布，如式(3)所示，
dh～n(μ,σ2)(3)
即硬延时的概率密度分布函数如式(4)所示，
进而随机变量dh的数学期望，如式(5)所示,
其中e[·]表示变量·的数学期望；式(5)表明，dh的数学期望为均值μ。
进一步地，由于实际中无法也不必获得特定场景中关于硬延时的无穷多次测量值，因此只需要对特有的场景进行多次测量，然后用极大似然估计法计算出硬延时的均值μ。
进一步地，所述软延时建模为软件算法层面位置更新频率的函数，如式(6)或(7)所示，
其中f为位置更新频率，g(·)表示函数关系，δ为更新频率误差；
所述更新频率误差受晶振频率的偏移以及软件算法中定时器精度的影响，通常非常小，忽略位置更新频率误差δ后，式(6)和(7)统一简化为式(8)所示，
由于真实位置更新事件等概率的发生在时间间隔g(f)内，进而软延时的数学期望为式(9)所示，
进一步地，所述更新频率为0～500hz。
本发明的有益效果：(1)本发明对位置更新延时进行充分而合理的定义，将其分为硬延时和软延时，概念简洁明确，加深人们对延时这一指标的深入理解和认识；(2)本发明所提出的方法解决了当前位置更新延时无法量化评估、或评估不全面的缺陷，显著改善了通信、导航等领域位置更新延时这一指标评估的可行性和量化性，具有较大的理论研究价值和工程实践意义。
附图说明
图1为目标位置更新延时的评估方法流程图；
图2为位置更新信息在整个导航与定位系统中的传输示意图；
图3为操场(空旷区域)场景下硬延时和软延时的评估结果；
图4为建筑物密集型区域场景下硬延时和软延时的评估结果；
图5为居民楼场景下硬延时和软延时的评估结果；
图6为超市场景下硬延时和软延时的评估结果；
图7为机场大厅场景下硬延时和软延时的评估结果；
图8为候车室场景下硬延时和软延时的评估结果；
图9为剧院场景下硬延时和软延时的评估结果；
图10为地下停车场场景下硬延时和软延时的评估结果；
图11为森林场景下硬延时和软延时的评估结果；
图12为峡谷场景下硬延时和软延时的评估结果；
图13为矿井场景下硬延时和软延时的评估结果；
图14为隧道场景下硬延时和软延时的评估结果；
图15为操场(空旷区域)场景中不同软延时下硬延时的评估结果。
具体实施方式
为了更好地理解本发明的内容，下面结合具体实施方法对本发明内容作进一步说明，但本发明的保护内容不局限以下实施例。
实施例1
如图1所示，一种目标位置更新延时的评估方法，包括以下步骤：
目标位置更新延时的评估建模；
对评估建模的量化；
所述目标位置更新延时的评估建模是将目标位置更新延时定义为硬延时和软延时的组合函数，数学模型如式(1)所示，
其中d表示延时，dh表示硬延时，ds表示软延时，
所述硬延时定义为按照某种通信协议，位置数据与控制中心或云平台进行通信时所经过物理和空间拓扑链路时的延时；所述物理拓扑链路延时是指位置数据通过有线方式传输时产生的延时；所述有线方式包括但不限于光缆、电缆等；所述空间拓扑链路延时是指位置数据通过无线方式传输时产生的延时，包括信号在环境中的反射、折射、绕射和多径效应的影响；所述无线方式包括但不限于：3g、4g、5g等组网和通信方式。
所述软延时定义为软件算法层面位置更新间隔导致的延时。
所述对评估建模的量化是对目标位置更新延时的数学模型的具体化，即硬延时dh和软延时ds的数学期望的叠加和，如式(2)所示，
d＝e[dh ds]＝e[dh] e[ds](2)。
所述硬延时为随机变量，建模为均值为μ，方差为σ2的正态分布，如式(3)所示，
dh～n(μ,σ2)(3)
即dh的概率密度分布函数如式(4)所示，
可以求得随机变量dh的数学期望，如式(5)所示,
其中e[·]表示变量·的数学期望；式(5)表明，dh的数学期望为均值μ；
类似地可以求出二阶距的数学期望，如式(10)所示，
因此，根据方差计算公式得到方差σ2，如式(11)所示，
σ2＝e[dh2]-e[dh]2(11)
由于实际中无法也不必获得特定场景中关于硬延时的无穷多次测量值，因此只需要对特有的场景进行多次测量，然后用极大似然估计法计算出硬延时的均值μ和方差σ2。
所述软延时建模为软件算法层面位置更新频率的函数，如式(6)或(7)所示，
其中f为位置更新频率，g(·)表示函数关系，δ为更新频率误差；
所述更新频率误差受晶振频率的偏移以及软件算法中定时器精度的影响，通常非常小，忽略位置更新频率误差δ后，式(6)和(7)统一简化为式(8)如下所示，
由于真实位置更新事件等概率的发生在时间间隔g(f)内，进而求得软延时的数学期望为式(9)所示，
所述更新频率为0～500hz。
实施例2
如图2所示，表示位置更新信息在整个导航与定位系统中的传输示意图。机、舰、车、人等目标的位置更新信息以无线方式经3g/4g/5g等无线网络传给云端和控制中心，其中无线网络和云端采用光缆、电缆等有线方式通信，也可以采用无线方式通信；云端与控制中心一般采用光缆、电缆等有线方式进行通信；这里的无线方式包括但不限于3g、4g、5g等组网和通信方式。将该系统布设到具体应用环境如操场(空旷区域)、建筑物密集型区域、居民楼、超市、机场大厅、候车室、剧院、地下停车场、森林、峡谷、矿井、隧道等，即可由云端或控制中心获得目标位置信息，并进行目标位置更新延时的分析和评估。
实施例3
将实施例1中的评估方法用于以下测试实验场景：操场(空旷区域)、建筑物密集型区域、居民楼、超市、机场大厅、候车室、剧院、地下停车场、森林、峡谷、矿井、隧道。在每个场景中分别布设实施例2中的系统，并由云端或控制中心获得目标位置信息，并进行目标位置更新延时的分析和评估。每个场景中位置更新延时的分析与评估结果见实施例4-实施例15，汇总结果见实施例16。
实施例4
如图3所示，为操场(空旷区域)下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为10.01毫秒和方差为0.01毫秒。
实施例5
如图4所示，为建筑物密集型区域场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为10.20毫秒和方差为0.09毫秒。
实施例6
如图5所示，为居民楼场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为13.04毫秒和方差为0.26毫秒。
实施例7
如图6所示，为超市场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为13.93毫秒和方差为0.24毫秒。
实施例8
如图7所示，为机场大厅场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为16.06毫秒和方差为0.37毫秒。
实施例9
如图8所示，为候车室场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为16.03毫秒和方差为0.37毫秒。
实施例10
如图9所示，为剧院场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为15.05毫秒和方差为0.22毫秒。
实施例11
如图10所示，为地下停车场场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为19.01毫秒和方差为0.62毫秒。
实施例12
如图11所示，为森林场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为20.0毫秒和方差为0.17毫秒。
实施例13
如图12所示，为峡谷场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为25.03毫秒和方差为1.86毫秒。
实施例14
如图13所示，为矿井场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为13.77毫秒和方差为8.74毫秒。
实施例15
如图14所示，为隧道场景下采用本发明方法评估硬延时和软延时的结果；在该场景中，测量硬延时和软延时各100次，得到硬延时和软延时的相应测试结果。其中由于位置更新频率设置为100hz，软延时的数学期望恒为10毫秒；硬延时测试结果呈现明显的波动特征，对100次硬延时测量结果进行正态拟合，得到频率直方图，并获得硬延时的期望为13.98毫秒和方差为9.07毫秒。
实施例16
将实施例4-实施例15的结果整理成表格，得到不同实验场景下的评估结果，如表1所示。其中，按照本发明所提供的式(2)对延时进行整体量化评估，实施例4-实施例15中延时整体量化评估结果分别为15.01毫秒、15.20毫秒、18.04毫秒、18.93毫秒，21.06毫秒、21.03毫秒、20.05毫秒、24.01毫秒、25.0毫秒、30.03毫秒、18.77毫秒、18.98毫秒；而已有的方法并不能实现该量化和评估。
表1.不同实验场景下延时的评估结果
实施例17
测试位置更新频率为1hz、2hz、5hz、10hz、20hz、25hz、50hz、100hz、200hz、250hz、500hz时硬延时的大小，进而评估软延时对硬延时的影响，测试结果如图15所示，相应的结果整理成表2，其中μ变化率是指当前硬延时相对于各硬延时平均值(这里为10.0毫秒)的变化率；σ2变化率是指当前硬延时的方差σ2相对于各硬延时方差σ2平均值(这里为0.01毫秒)的变化率。
表2.不同位置更新频率对硬延时的影响
在图15中的第一个子图中，纵坐标表示不同位置更新频率下软延时的量化结果
以上所述仅为本发明的具体实施方式，不是全部的实施方式，本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换，均为本发明的权利要求所涵盖。
1.目标位置更新延时的评估方法，其特征在于，包括以下步骤：
目标位置更新延时的评估建模；
对评估建模的量化；
所述目标位置更新延时的评估建模是将目标位置更新延时定义为硬延时和软延时的组合函数，数学模型如式(1)所示，
其中d表示延时，dh表示硬延时，ds表示软延时，
所述硬延时定义为按照某种通信协议，位置数据与控制中心或云平台进行通信时经过物理拓扑链路和/或空间拓扑链路产生的延时；所述物理拓扑链路产生的延时是指位置数据通过有线方式传输时产生的延时；所述空间拓扑链路产生的延时是指位置数据通过无线方式传输时产生的延时；
所述软延时定义为软件算法层面位置更新间隔导致的延时。
2.根据权利要求1所述的目标位置更新延时的评估方法，其特征在于，所述对评估建模的量化是对目标位置更新延时的数学模型的具体化，即硬延时dh和软延时ds的数学期望的叠加和，如式(2)所示，
d＝e[dh ds]＝e[dh] e[ds](2)。
3.根据权利要求2所述的目标位置更新延时的评估方法，其特征在于，所述硬延时为随机变量，将其建模为均值为μ，方差为σ2的正态分布，如式(3)所示，
dh～n(μ，σ2)(3)
即硬延时的概率密度分布函数如式(4)所示，
进而随机变量dh的数学期望，如式(5)所示，
其中e[·]表示变量·的数学期望；式(5)表明，dh的数学期望为均值μ。
4.根据权利要求3所述的目标位置更新延时的评估方法，其特征在于，由于实际中无法也不必获得特定场景中关于硬延时的无穷多次测量值，因此只需要对特有的场景进行多次测量，然后用极大似然估计法计算出硬延时的均值μ。
5.根据权利要求2所述的目标位置更新延时的评估方法，其特征在于，所述软延时建模为软件算法层面位置更新频率的函数，如式(6)或(7)所示，
其中f为位置更新频率，g(·)表示函数关系，δ为更新频率误差；
所述更新频率误差受晶振频率的偏移以及软件算法中定时器精度的影响，通常非常小，忽略位置更新频率误差δ后，式(6)和(7)统一简化为式(8)所示，
由于真实位置更新事件等概率的发生在时间间隔g(f)内，进而软延时的数学期望为式(9)所示，
6.根据权利要求5所述的目标位置更新延时的评估方法，其特征在于，所述更新频率为0～500hz。
技术总结