Определение и учет контекста окружающей среды в городских условиях с применением алгоритмов машинного обучения на основе информации от сигналов ГЛОНАСС открытого доступа

В последние годы позиционирование по сигналам ГНСС стало наиболее эффективным в связи с увеличением количества КА, совершенствованием навигационной аппаратуры потребителя (НАП) и разработкой новых алгоритмов, которые повышают надежность навигации. Однако условия приема навигационного сигнала, эффект многолучевости, который особенно сильно проявляется в плотной городской застройке, а также особенности эксплуатации НАП потребителем могут привести к ухудшению точности и надежности местоопределения. В связи с этим важным становится определение и учет окружающего контекста (ОК) потребителя благодаря выбору подходящего алгоритма или состава дополнительных датчиков в НАП [1–3].

В настоящее время для определения ОК часто используются средства технического зрения (обработка изображений с камер или лидаров), которые широко применяются в автономных транспортных средствах и роботизированной промышленности. Однако использование средств технического зрения совместно с ГНСС требует высоких затрат энергопотребления, вычислительных ресурсов, большой массы, габаритов и стоимости оборудования, и не всегда возможно для массового потребителя. Другим, более доступным для массового потребителя подходом, является непосредственное использование навигационных сигналов открытого доступа [1]. Благодаря принимаемым с КА навигационным сигналам можно сформировать характерные признаки (вектора признаков), которые изменяются в зависимости от ОК [4]. Накопив достаточное количество информации для разных условий навигации, можно с помощью алгоритмов машинного обучения определять тип ОК потребителя и корректировать используемые алгоритмы в НАП.

В [2–3, 5–10] представлены различные методы машинного обучения для определения и учета типа ОК, однако в этих работах отсутствует подтверждение работоспособности такого подхода только по сигналам системы ГЛОНАСС с открытым доступом. В докладе показана возможность определения и учета ОК по сигналам L1OF ГЛОНАСС в городских условиях навигации.

Литература

1) Кульнев В. В., Кульнев Е. В., Наконечный Е. О. Методы определения контекста по данным навигационной аппаратуры глобальных навигационных спутниковых систем // Космонавтика и ракетостроение. 2023. Вып. 4. C. 43–53.

2) Hussain A., Ahmed A., Shah M. A., et al. On mitigating the effects of multipath on GNSS using environmental context detection // Applied Sciences. 2022. Doi: 10.3390/app122312389.

3) Ding Y., Feriol F., Watanabe Y., et al. Adaptive robust-statistics GNSS navigation based on environmental context detection // 2023 International Technical Meeting of The Institute of Navigation. Doi: 10.33012/2023.18636.

4) Болкунов А. И., Кульнев В. В., Кульнев Е. В. и др. Нахождение оптимального вектора признаков для определения контекста окружающей среды по данным глобальных навигационных спутниковых систем // Изв. РАН. ТиСУ. 2024. № 4. C. 154–166.

5) Groves P. D, Martin H., Voutsis K., et ai. Context detection, cate-gorization and connectivity for advanced adaptive integrated navigation // United Kingdom: University College London, 2013.

6) Gao H., Groves P. D. Environmental Context Detection for Adaptive Navigation using GNSS Measurements from a Smartphone // Navigation. 2018. Vol. 65, Iss. 1. P. 99–116.

7) Wang Yu., Liu P., Liu Q., et al. Urban environment recognition based on the GNSS signal characteristics // Navigation. 2019. Vol. 66, Iss. 1. P. 211–225.

8) Liu H., Zhang M., Pei L., et al. Environment classification for global navigation satellite systems using attention-based recurrent neural networks // in book: Spatial Data and Intelligence. Proceedings Conference, SpatialDI, 8–9 of May, 2020 / ed. by X. Meng, X. Xie, Y. Yue, Z. Ding. Springer, 2021. P. 60–71.

9) Feriol F., Watanabe Y., Vivet D. GNSS-based environmental context detection for navigation // 2022 IEEE Intelligent Vehicles Symposium (IV), 04–09 of June. Germany, 2022. P. 888–894.

10) Zhu F., Luo K., Tao X., Zhang X. A deep-learning based GNSS scene recognition method for detailed urban static positioning task via low-cost receivers // Remote Sens. 2024. Vol. 16(16). P. 3077. Doi: 10.3390/rs16163077.