В городских условиях глобальные навигационные спутниковые системы (GNSS) часто сталкиваются с помехами сигнала, вызванными высокими зданиями, транспортными средствами и другими сооружениями. Эти препятствия приводят к ошибкам вне прямой видимости (NLOS), которые вызывают неточности позиционирования, что особенно проблематично для таких технологий, как автономные транспортные средства и интеллектуальные транспортные системы.
Потребность в эффективных решениях для обнаружения и устранения ошибок NLOS в режиме реального времени никогда не была столь острой, поскольку надежное позиционирование на основе GNSS имеет жизненно важное значение для развития умных городов и транспортных сетей.
Исследователи представили инновационное решение на основе искусственного интеллекта (ИИ). Метод анализирует несколько характеристик сигнала GNSS для точного определения и дифференциации ошибок NLOS. Этот прорыв обещает значительно повысить точность и надежность систем позиционирования на основе GNSS, что делает его критически важным достижением для городской навигации, где точность имеет решающее значение.
Опубликованное в журнале Satellite Navigation 22 ноября 2024 г., это исследование представляет передовой подход к машинному обучению для устранения ошибок NLOS в городских системах GNSS. Исследователи из Уханьского университета, Юго-Восточного университета и Baidu разработали решение с использованием Light Gradient Boosting Machine (LightGBM), мощной модели на основе искусственного интеллекта, предназначенной для обнаружения и исключения неточностей, связанных с NLOS.
Эффективность модели была подтверждена в ходе динамических экспериментов в реальных условиях, проведенных в Ухане (Китай), что доказало ее эффективность в сложных городских условиях.
Метод включает использование камеры fisheye для маркировки сигналов GNSS как Line-of-Sight (LOS) или NLOS, на основе видимости спутников. Затем исследователи проанализировали ряд характеристик сигнала, включая отношение сигнал/шум, угол возвышения, согласованность псевдодальности и согласованность фазы.
Выявив корреляции между этими функциями и типами сигналов, модель LightGBM смогла точно различать сигналы LOS и NLOS, достигнув впечатляющей точности в 92%. По сравнению с традиционными методами, такими как XGBoost, этот подход обеспечил превосходную производительность как по точности, так и по вычислительной эффективности.
Результаты показывают, что исключение сигналов NLOS из решений GNSS может привести к существенному повышению точности позиционирования, особенно в городских условиях, где препятствия встречаются часто.
Доктор Сяохун Чжан, ведущий исследователь, прокомментировал: «Этот метод представляет собой большой шаг вперед в улучшении позиционирования GNSS в городских условиях . Используя машинное обучение для анализа множественных характеристик сигнала, мы показали, что исключение сигналов NLOS может значительно повысить точность и надежность спутниковых навигационных систем. Это имеет глубокие последствия для таких приложений, как автономное вождение и инфраструктура умного города».
Это исследование имеет огромный потенциал для отраслей, которые зависят от технологии GNSS, включая автономные транспортные средства, беспилотники и городское планирование. Улучшая обнаружение и исключение ошибок NLOS, этот метод может повысить точность систем GNSS, делая навигацию более безопасной и эффективной в густонаселенных городах. Поскольку города становятся умнее и более связанными, это достижение будет играть решающую роль в поддержке следующего поколения транспортных и навигационных технологий.
