Штучний інтелект (ШІ) вже давно став частиною сучасної лексики, а безліч медіа-матеріалів постійно наголошують, що ШІ вже вплинув або невдовзі вплине на більшість сфер людського життя. Що таке ШІ та з яких складових він складається? Яким чином ШІ інтегрується у сучасну технологію GNSS? Які найближчі перспективи застосування ШІ в сфері GNSS/PNT? Ці запитання є складними й динамічно змінюються, а ця стаття, опублікована виданням GPS World, покликана запропонувати початковий огляд таких змін.
Означення й тлумачення поняття “штучний інтелект” суттєво різняться залежно від джерела. Наприклад, за широким визначенням IBM (2025), “Штучний інтелект (ШІ) — це технологія, що дозволяє комп’ютерам та машинам імітувати процеси людського навчання, розуміння, прийняття рішень, творчості та автономності.” Ідея машин, здатних “мислити” (Тюрінг, 1950) і сам термін “штучний інтелект” виникли у 1950-х роках (Маккарті, 2007). В 1960–1970-х розвивалися перші нейронні мережі, а у 1980-х відбулися прориви у їхньому навчанні й з’явилось глибинне навчання. 1990-ті ознаменувалися швидким зростанням обчислювальних можливостей. На початку 2000-х поширилися великі дані й хмарні технології, що полегшило обробку і аналіз масивів інформації. Новий етап розвитку — широке впровадження глибоких нейронних мереж та глибинного навчання у 2010-х, а поточне десятиліття відзначається розквітом моделей обробки природної мови та використовуванням великих мовних моделей.
У матеріалі основна увага приділяється не лише нинішньому, а й потенційному впливу ШІ на апаратне забезпечення GNSS та на рішення для визначення місцезнаходження і навігації (PNT), наприклад, у фазах прийому сигналу, обробці вимірювань, розрахунку координат, підвищенні надійності та протидії глушінню або підробці сигналу. Детально розглянуто питання інтеграції сенсорної інформації на основі GNSS, оптимізації маршрутів для навігаційних систем, користувацьких налаштувань тощо — усі ці напрямки відчувають значне проникнення ШІ. Показовим орієнтиром є перелік завдань, у вирішенні яких сучасні підходи на основі ШІ можуть перевершувати вже існуючі методи і приносити відчутну ефективність. Наприклад, у моделюванні похибок чи оптимальних оцінках, чи здатен ШІ заповнити прогалини у задачах зі слабо- або недетермінованими процесами?
Для аналізу реальних та можливих шляхів застосування ШІ у сфері GNSS важливо визначити його головні компоненти, адже деякі терміни часто плутають або неправильно використовують. Пропонований опис базується на детальному вивченні відкритих онлайн-ресурсів, зокрема матеріалів IBM (2025). На рисунку, що додається, узагальнено сучасні напрями розвитку ШІ та їхню загальноприйняту термінологію. Штучний інтелект (як комплексна система з ознаками інтелекту людини) утворює надмножину концепцій. У рамках ШІ вирізняють декілька напрямків, які можуть перетинатися: до прикладу, штучний “перцептивний” інтелект, здатний розпізнавати текст чи об’єкти у просторі, або широка область машинного навчання.
Зараз для наділення машин можливістю самостійно сприймати інформацію, навчатися і приймати рішення постійно з’являються все більш складні й досконалі механізми. Обробка природної мови (NLP) надає системам можливість розуміти, аналізувати і створювати тексти, що відповідають правилам людської мови. Голосове розпізнавання ґрунтується на перетворенні усної мови на текст і навпаки. Комп’ютерний зір дозволяє машинам аналізувати й інтерпретувати зображення. Хоча робототехніка є окремою галуззю, у межах ШІ її також можна розглядати як напрям застосування інтелекту для створення руху. До сфер ШІ входить і планування — це можливість автоматично вирішувати різноманітні завдання з організації й розподілу ресурсів. “Експертні системи” — ще одна область ШІ, що моделює професійні знання та поведінку людини. Всі перелічені підрозділи найчастіше посилюються технологіями машинного навчання.
Машинне навчання (ML) — це створення алгоритмів і статистичних моделей, які без прямого програмування вміють знаходити закономірності у даних (тобто навчатися) і переносити отримані знання на нові дані. За характером навчання ML-алгоритми класифікують як контрольовані, неконтрольовані, напівконтрольовані й з навчанням із підкріпленням (можлива і класифікація за функціональністю). Контрольоване навчання використовує спеціально марковані набори даних і дозволяє алгоритмам точно визначати, до якої категорії належить інформація, чи передбачувати результат. У напівконтрольованому та неконтрольованому навчанні зв’язки між даними виявляються за мінімального або повністю автоматичного втручання людини відповідно. Навчання із підкріпленням поєднує різні підходи для досягнення максимального результату. Найпоширеніші типи алгоритмів ML — це лінійна та логістична регресія, дерева рішень, випадковий ліс, метод опорних векторів, k-ближчих сусідів і кластеризація. Кожен з них ефективний для розв’язання певного класу завдань або залежність від типу даних.
Штучні нейронні мережі (ШНМ) — це моделі, які створювались за аналогією до роботи людського мозку. У системі ШНМ розрізняють вхідний і вихідний шари, що складаються з окремих вузлів. Між ними — зв’язані приховані шари, кожен вузол яких має певні вагові коефіцієнти та зміщення, які визначаються (оцінюються) в процесі оптимізації мережі відповідно до заданих вхідних та вихідних даних. ШНМ дають гарні результати там, де потрібно виявити складні закономірності у великих масивах інформації, проте детальні залежності між параметрами моделі для користувача часто залишаються невідомими — такі моделі можуть бути “чорними скриньками”. До типів нейронних мереж належать згорткові мережі (CNN), мережі довгострокової пам’яті (LSTM), автоенкодери, рекурентні мережі, трансформери тощо.
Глибинне навчання означає наявність великої кількості шарів у нейронній мережі. Такі глибокі моделі мають принаймні три і, зазвичай, сотні прихованих шарів. Велика “глибина” дає змогу навіть безконтрольно, швидко й точно виявляти складні структури й взаємозв’язки у даних. Генеративний ШІ — це глибокі моделі, що здатні створювати оригінальний контент: тексти, зображення, аудіо, використовуючи різноманітні підходи до навчання, оптимізації й генерації. Нарешті, великі мовні моделі розпізнають, аналізують і продукують людську мову (як і NLP), поєднуючи всі сильні сторони ML.
Як машинне навчання використовується в системах GNSS
Коли ж доцільно застосовувати штучний інтелект у GNSS/PNT? Найпростіша відповідь: тоді, коли алгоритми ШІ можуть забезпечити кращі результати (у чітко визначених і вимірюваних параметрах), ніж традиційні методи. Однак для конкретного завдання таку оцінку необхідно підкріпити дослідженнями. З попереднього розгляду сфер застосування ШІ та його підгалузей видно, що результати GNSS/PNT використовуються у великій кількості AI-додатків — це, зокрема, об’єднання сенсорних даних, автономна навігація транспортних засобів, планування маршрутів тощо. У той же час, саме машинне навчання розглядається як найбільш перспективний напрямок для обробки сигналів GNSS та виконання різних вимірювань.
Моделі машинного навчання поділяють за методологією (генеративні або дискримінативні) чи за типами розв’язуваних завдань (регресія або класифікація, IBM, 2025). Генеративні алгоритми моделюють розподіл даних з метою оцінки спільної ймовірності появи прикладу у певному просторі, у той час як дискримінативні — визначають межі між класами та допомагають обчислити умовну ймовірність належності прикладу до певного класу. Моделі регресії прогнозують безперервні величини, переважно для пошуку залежностей між незалежними змінними і цільовою змінною. Класифікаційні моделі, навпаки, виконують поділ на класи, тобто визначають, до якої конкретної категорії належить спостереження (наприклад, у задачах бінарної чи багатокласової класифікації).
Дослідження Siemuri та співавт. (2022) пропонує ґрунтовний огляд робіт 2020–2021 років із використанням методів машинного навчання для вирішення завдань GNSS. Серед ключових висновків: 1) застосування ML підвищує стійкість GNSS/PNT у складних для сигналу умовах; 2) було проаналізовано понад 200 наукових публікацій; 3) у переважній більшості випадків моделі ML демонстрували переваги (різного ступеня) над класичними рішеннями; 4) наразі впровадження ML у промислових рішеннях GNSS носить обмежений характер. У більш ніж половині проаналізованих робіт (55%) використовувалися нейронні мережі, включно з елементами глибинного навчання; алгоритми опорних векторів застосовувалися у 19% випадків, а дерева рішень та “випадковий ліс” — у 10%.
Сфери застосування таких технологій у GNSS розподіляють на:
1) прийом сигналу;
2) розпізнавання й класифікація сигналів;
3) моніторинг і дослідження поверхні Землі;
4) навігація й визначення координат;
5) робота у середовищах зі складною або зовсім відсутньою видимістю супутників;
6) врахування атмосферних впливів;
7) боротьба зі спуфінгом та глушінням;
8) інтеграція з інерційними системами;
9) вибір супутників;
10) визначення орбітальних параметрів LEO-супутників та позиціонування.
Яким чином машинне навчання використовується у зазначених задачах GNSS/PNT — і загалом? Зазвичай інтеграція ML описується як певний цикл або послідовність кроків із декількох етапів. На основі літератури, доцільно виділити п’ять основних кроків.
Крок 1 — формулювання задачі: усвідомлення завдання і очікуваного результату, аналіз наявних даних, визначення вхідних і вихідних параметрів, вибір класу ML, постановка критеріїв для оцінки.
Крок 2 — підготовка даних: збір, обробка, а у разі контрольованої класифікації — і маркування даних.
Крок 3 — розробка моделі: вибір алгоритму та моделі, створення і навчання моделі.
Крок 4 — оцінювання моделі: валідація, оптимізація параметрів, аналіз результатів, перехресна перевірка і застосування критеріїв ефективності.
Крок 5 — впровадження моделі: остаточне налаштування, використання моделі для прогнозування, за потреби — повернення до попередніх етапів циклу для вдосконалення.
Популярною бібліотекою для роботи з ML у Python є scikit-learn (2025), яка надає доступ до великої бази знань, інструментів і практичних прикладів. У дослідженні Li та співавт. (2023) детально розглянуто застосування машинного навчання для класифікації сигналів і вагового аналізу вимірювань у GNSS. Автори моделюють задачу вибору між сценаріями регресії чи класифікації та порівнюють ефективність різних популярних ML-моделей для виявлення прямих і відбитих супутникових сигналів у міських умовах. Більшість реальних застосувань ML у GNSS ґрунтується саме на завданнях контрольованої класифікації.
Поточне та перспективне застосування машинного навчання у GNSS У межах цього огляду стисло узагальнено приклади використання машинного навчання в системах GNSS відповідно до основних тематичних напрямків: прийому сигналу, його подальшої обробки, зменшення впливу похибок вимірювання та завдань оцінки просторового положення (PNT). Поряд із цим, розглядаються й майбутні сфери можливого застосування цих підходів.
Прийом сигналу
У ряді робіт, зокрема Tsu (2017) та Li з колегами (2023), було застосовано різні моделі машинного навчання для ідентифікації сигналів GNSS за типами — прямої видимості, непрямої (non-line-of-sight) та мультишляхових (multipath) псевдовідстаней у типово міському середовищі. Для навчання моделей використовувалися різні входові параметри, наприклад, потужність сигналу, що дозволяло досягати в основному високої точності класифікації. Машинне навчання також було адаптовано для вибору найбільш придатних супутників (замість використання всіх наявних) з метою підвищення ефективності обробки PNT-даних. Апаратні та програмні радіочастотні симулятори можуть використовувати ML для підвищення реалістичності відтворення сигналів у різних оточеннях — із врахуванням ефектів мультишляху, перешкод і спуфінгу. Машинне навчання може стати у нагоді й під час оптимізації конструкції антен, зокрема для антен із контрольованою діаграмою спрямованості, які формують “нулі” в заданих напрямах.
Обробка сигналу та аналітика
Глибинне навчання застосовується для задач прийому сигналу і демонструє переваги над існуючими методами при роботі із симульованими даними (Borhani-Darian та ін., 2023). Вивчаються також перспективи використання ML як для трекінгу сигналів, так і для побудови нових алгоритмів стеження. Проведені дослідження засвідчують ефективність ML у розпізнаванні природних або навмисних радіоперешкод. Різні ML-моделі успішно виконують класифікацію типів радіочастотних генераторів перешкод (наприклад, Morales Ferre та ін., 2019). Алгоритми ML також здатні детектувати атаки спуфінгу як на симульованих, так і на реальних сигналах із високою точністю (наприклад, Semanjski та ін., 2020).
Зменшення впливу вимірювальних похибок
Оскільки ефект мультишляху в GNSS має стохастичний і невизначений характер, він є перспективною ціллю для апаратів машинного навчання, особливо при метричних псевдовідстанях, на відміну від сантиметрових фазових похибок. Подібні дослідження, суміщені із задачею класифікації сигналів із непрямою видимістю, вже були представлені в попередніх розділах.
Перші результати експериментів із використання ML для компенсації тропосферної рефракції є обнадійливими (наприклад, Łoś та ін., 2020). Нерівномірність тропосферної затримки GNSS-сигналів ускладнює її прогнозування — тож використання ML відкриває перспективи у виявленні аномалій, покращенні моделей рефракції, а також у підвищенні точності короткострокових прогнозів екстремальних погодних явищ.
Схожа ситуація із іоносферою: незважаючи на те, що у багатьох аспектах вона є досить вивченою, точна побудова моделей у періоди високої сонячної активності є складною. Технології ML демонструють високу точність у детекції аномалій та ефектів сцинтиляції (Linty та ін., 2018) і дають перспективи для оперативного моделювання.
Існують можливості підвищення точності оцінки орбіт і часової синхронізації супутників за допомогою ML, адже ці задачі є добре формалізованими, але супроводжуються суттєвою процесною невизначеністю. Наприклад, у розрахунках зазвичай враховують додаткові емпіричні прискорення, пов’язані з кожною орбітою, які зазвичай неможливо всебічно змоделювати фізично. Тому використання ML може принести користь у підвищенні точності як поточних, так і постобробних коригувальних продуктів GNSS-мереж.
Оцінка координат PNT
Традиційні оптимальні алгоритми оцінювання, як-от метод найменших квадратів чи фільтр Калмана, здатні ефективно розв’язувати більшість задач позиціювання за допомогою GNSS/PNT. Проте апаратні обмеження чи особливості оточення можуть призводити до невідповідності фактичних вимірювань теоретичним припущенням класичних алгоритмів (як-от незалежність вимірювань, відсутність систематичних або значних похибок, використання коректних оцінок дисперсії тощо). Глибинні моделі можуть, за умови врахування проблем із числовою умовністю, мінливістю видимості супутників та перенавчанням, суттєво підвищити точність точкового позиціювання за даними тестів (Kanhere та ін., 2022). Проводяться дослідження застосування ML для покращення розв’язання фазових неоднозначностей, а також удосконалення сантиметрових методик позиціювання — RTK/мережевий RTK, PPP/PPP-RTK.
Ширше впровадження AI/ML у GNSS-PNT GNSS/PNT-дані охоплюють широкий діапазон задач, у яких ШІ та ML вже використовуються, або потенційно можуть бути використані для підвищення ефективності. Машинне навчання використовується для поліпшення аналізу часових рядів координат за даними GNSS у різних наукових напрямках: тектонофізика, моніторинг цунамі, вивчення вулканічної діяльності, опускання поверхні, контроль мережі опорних станцій тощо, а також у GNSS-інструментах, як-от радіозатемнення та рефлектометрія (Siemuri та ін., 2022).
Машинне навчання відкриває нові можливості для сенсорної інтеграції — зокрема, найважливішим є поєднання GNSS із інерціальними вимірювальними модулями (IMU). Значні переваги можуть бути досягнуті у калібруванні IMU та мінімізації моделейних невідповідностей при адаптації систем під конкретні застосування. Більш складні мультимодальні системи (наприклад, для одночасного позиціювання й побудови карти місцевості) здебільшого покладаються на ML, у тому числі алгоритми з підкріпленням.
GNSS-позиціонування використовується також у багатьох не-ML підсистемах штучного інтелекту: у зовнішній робототехніці, плануванні траєкторій, комп’ютерному зорі. Тут через GNSS надається або початкова інформація для інших сенсорів чи процесів, або визначаються основні координати для всієї AI-системи.
Ресурсні аспекти застосування машинного навчання
У кожному випадку впровадження ML у GNSS необхідно проводити ретельний аналіз “витрати – користь”.
Чи здатен ML надійно вирішити це завдання, особливо там, де класичне моделювання занадто складне чи неможливе, але в даних простежуються закономірності, корисні для ML? Якщо ML суттєво перевершує класичні алгоритми за визначеними метриками, чи важливий цей приріст ефективності для користувача? Чи є реальні, різноманітні та достатні за розміром набори даних для навчання моделей, аби забезпечити їхню адекватну роботу за всіх можливих варіацій даних? Оскільки більшість методів ML вимагають чималих обсягів пам’яті для зберігання великих датасетів (зазвичай на серверах), чи можна підтримати необхідну інфраструктуру? Також важливо мати потужності для обробки даних – зазвичай це графічні процесори. Проте сервери і GPU споживають багато енергоресурсів і є коштовними. Отже, чи існують відповідні фінансові, енергетичні й екологічні ресурси, а також засоби безпеки? Нарешті, наскільки практично реалізувати модель ML безпосередньо на користувацькому обладнанні або через сервери?
Перспективи розвитку
Штучний інтелект — це галузь, що динамічно розвивається і входить у всі сфери технологій. Хоча у складі ШІ виділяються підсистеми на кшталт комп’ютерного зору, обробки мови чи робототехніки, саме машинне навчання (зокрема із застосуванням нейронних мереж, глибинного навчання й генеративного ШІ) має найбільш прямий стосунок до GNSS/PNT. Серед моделей ML, які вже застосовують у GNSS, здебільшого використовуються контрольовані (з навчанням на розмічених даних), причому домінують моделі на основі нейронних мереж. Початкові дослідження в областях класифікації сигналів та розпізнавання перешкод показують, що підходи на ML перевершують класичні методики.
У багатьох підсистемах ШІ, таких як комп’ютерний зір та робототехніка, машинне навчання вже стало стандартом, тоді як для GNSS/PNT подібні дослідження лише набирають обертів. Для значної частини завдань класичні або детерміновані моделі й оптимальні алгоритми наразі розв’язують задачі з необхідною точністю. Однак із зростанням вимог до дешевизни обладнання, експлуатації у складних умовах і зростання ролі безпеки та надійності, рідкісні випадки й крайні ситуації в PNT починають відігравати особливе значення, і тут ML здатен запропонувати нові рішення (як показано на рисунку 3).
Це лише початок впровадження ML у сферу GNSS/PNT. Чи використовувати машинне навчання у конкретній системі — питання потребує зваженого підходу. Багаторазове тестування та налаштування ML-моделей після проведення ґрунтовних досліджень стануть обов’язковими етапами до масового впровадження. Прогнозувати швидке впровадження ML хоча б у частині GNSS/PNT-задач, якщо це покращить якість життя користувачів, цілком реально. У майбутніх оглядах очікуйте аналізу реальних впроваджень ML у специфічних GNSS/PNT-системах, які демонструють його ефективність.
Джерело: GPS World