Боротьба з помилками GNSS у щільних міських середовищах вже давно не дає спокою вченим.
У намаганні вирішити постійну проблему, що виникає через помилки GNSS непрямої видимості (NLOS) у щільних міських умовах, група китайских вчених представила інноваційне рішення на основі штучного інтелекту.
Використовуючи Light Gradient Boosting Machine (LightGBM), метод аналізує численні характеристики GNSS-сигналу для точного виявлення та розрізнення NLOS-помилок.
Дослідники стверджують, що це – прорив, і що він дасть смогу значно підвищити точність та надійність систем позиціонування на основі GNSS, особливо в міських умовах, де точність має критичне значення. Це може бути певною мірою актуально і для великих українських міст, де щільна забудова може впливати на точність навігаційних систем.
У міських середовищах GNSS часто стикається з перешкодами сигналу, викликаними високими будівлями, транспортом та іншими структурами, що призводить до NLOS-помилок, які спричиняють неточності позиціонування.
Потреба в ефективних рішеннях у режимі реального часу для виявлення та зменшення цих NLOS-помилок ніколи не була більш актуальною, оскільки надійне позиціонування на основі GNSS є критично важливим для розвитку розумних міст і транспортних мереж.
Дослідження, опубліковане в журналі Satellite Navigation, пропонує підхід машинного навчання для вирішення цієї проблеми.
Дослідники з Університету Уханя, Південно-Східного університету та компанії Baidu розробили рішення з використанням LightGBM — потужної моделі штучного інтелекту, призначеної для виявлення та виключення неточностей, пов’язаних з NLOS.
Ефективність моделі була підтверджена шляхом динамічних експериментів у реальних умовах у місті Ухань, Китай, що довело її ефективність у складних міських умовах.
Метод передбачає використання камери з широким кутом огляду (“риб’яче око”) для маркування GNSS-сигналів як прямої видимості (LOS) або непрямої видимості (NLOS) на основі видимості супутників. Потім дослідники аналізували ряд характеристик сигналу, включаючи співвідношення сигнал/шум, кут підйому, узгодженість псевдодальності та узгодженість фази.
Визначаючи кореляції між цими характеристиками та типами сигналів, модель LightGBM змогла точно розрізняти між собою LOS та NLOS сигнали, досягнувши вражаючої точності 92%.
Дослідники заявляють, що, порівняно з традиційними методами, такими як XGBoost, їхній підхід забезпечує вищу продуктивність як у точності, так і в обчислювальній ефективності.
Результати показують, що виключення NLOS сигналів із рішень GNSS може призвести до суттєвих покращень у точності позиціонування, особливо в “міських каньйонах”.
«Цей метод є значним кроком вперед у покращенні GNSS-позиціонування в міських умовах», — зазначив провідний дослідник, доктор Сяохун Чжан.
«Використовуючи машинне навчання для аналізу численних характеристик сигналу, ми показали, що виключення NLOS сигналів може суттєво підвищити точність і надійність супутникових навігаційних систем».
Джерело: Satellite Navigation