Ingeniería, políticas y diseño de sistemas globales de navegación por satéliteUn método novedoso para mejorar la precisión de posicionamiento de los receptores GNSS explota un algoritmo de aprendizaje automático (ML).El modelo ML utiliza los residuos posteriores al ajuste, que están fácilmente disponibles después del cálculo de la posición desde el motor de posición, velocidad y temporización (PVT), que pueden adoptar los receptores existentes sin necesidad de modificarlos.El rendimiento de este método, demostrado con datos recopilados con receptores de mercado masivo, así como un conjunto de datos públicos de Google recopilados con teléfonos inteligentes Android, muestra la practicidad del concepto.GIANLUCA CAPARRA, PAOLO ZOCCARATO, FLOOR MELMANLos receptores GNSS son propensos a errores de trayectos múltiples.El aumento de la complejidad, el costo y el consumo de energía del receptor constituyen los principales inconvenientes de los enfoques de mitigación que se basan en diseños de señales transmitidas que permiten un mejor rechazo de trayectos múltiples y técnicas dedicadas de procesamiento de señales a nivel de banda base.Un receptor de mercado masivo generalmente incluye un rechazo limitado de trayectos múltiples en el procesamiento de antena y banda base y aplica algún tipo de filtrado en el motor de posicionamiento.Por ejemplo, es bastante común adoptar un filtro de Kalman o un suavizado de pseudodistancia con mediciones de fase, ya que producen una trayectoria más suave y precisa.En cambio, los errores relacionados con los efectos atmosféricos suelen compensarse utilizando modelos atmosféricos o diferenciando con mediciones de receptores de referencia cercanos.Recientemente, se ha propuesto el uso de aprendizaje automático con mapeo 3D para aumentar la precisión de los receptores GNSS.Los rendimientos logrados por este método son prometedores.La principal desventaja radica en el hecho de que requiere mapas 3D de alta calidad para funcionar.Además, estos mapas deben actualizarse continuamente para evitar introducir sesgos no deseados.Aquí, un enfoque que solo necesita información directamente disponible en los receptores GNSS y, por lo tanto, no requiere información sobre los alrededores, ataca el problema de trayectos múltiples.El enfoque tiene como objetivo crear un modelo ML para ser utilizado después del motor de posicionamiento.Este modelo estima el error de posicionamiento explotando los residuos posteriores al ajuste y aplica una corrección al PVT para compensar este error.El receptor todavía necesita recibir las correcciones del modelo entrenado, pero este modelo se puede construir basándose únicamente en los resultados de GNSS.La regresión ML actúa como una especie de "filtro adaptativo", capaz de hacer frente a diferentes condiciones ambientales automáticamente, ajustando correctamente la posición estimada con una compensación de error 3D.La retroalimentación ML tiene como objetivo mapear los residuales de pseudodistancia direccional a una corrección 3D del PVT calculado.La ventaja de este enfoque es que puede integrarse en la generación actual de receptores a nivel de software, sin necesidad de ninguna revisión de hardware.Incluso se puede implementar como un servicio de terceros para los receptores que proporciona información adicional básica además del PVT.El receptor GNSS estima su posición derivando la distancia de al menos cuatro satélites con efemérides conocidas.Las señales contienen información sobre las posiciones de los satélites y el tiempo de transmisión, que está referenciado al tiempo del sistema.El receptor registra el tiempo de recepción, según su reloj de referencia local, y luego estima la distancia calculando el tiempo de propagación.Esta estimación de distancia suele denominarse seudorango, ya que incluye el rango geométrico más varias fuentes de errores, por ejemplo, error de sincronización entre el reloj de referencia local y la hora del sistema, efectos atmosféricos y trayectos múltiples.El pseudorango es la medida más utilizada adoptada en el proceso de estimación de posición.La posición del receptor se puede estimar resolviendo las ecuaciones de navegación utilizando una solución de mínimos cuadrados ponderados (WLS) o un filtro de Kalman.Debido al ruido incrustado en las medidas de entrada, el mejor ajuste del vector de estado, que incluye los parámetros de posición, tendrá algunas diferencias con respecto a las pseudodistancias medidas.Las diferencias entre las mediciones observadas y modeladas (a partir de la solución estimada) generalmente se denominan residuales.Estos pueden ser los residuos de innovación, si se usa el filtro de Kalman, o los residuos de pseudodistancia, si se usa LS/WLS.Nuestro concepto utiliza los residuos para entrenar un modelo ML capaz de predecir los errores de posicionamiento 3D, es decir, las diferencias entre las posiciones estimadas y la trayectoria de referencia.Los residuales ya están presentes en los receptores GNSS: por lo tanto, no requiere sensores adicionales para recopilar información externa.La Figura 1 y la Figura 2 presentan la arquitectura detallada del sistema para la fase de entrenamiento y la fase de uso.Los residuales, junto con el acimut y la elevación, se pueden proyectar en el marco de referencia de navegación.Los residuos se proyectan para todas las señales utilizadas en el cálculo de PVT.Estos residuales de pseudodistancia proyectados son la entrada principal al algoritmo ML, que puede complementarse con información adicional, como la relación portadora/ruido (C/N0) u otros indicadores de calidad/confiabilidad.El modelo ML utiliza esta información para estimar un error de posicionamiento.Dependiendo de la aplicación, el error de posicionamiento puede ser 3D o estar limitado al plano horizontal.Es posible utilizar cualquier marco de referencia conveniente.El enfoque descrito aquí es para un error de posicionamiento 3D, por ejemplo, en un marco de referencia East North Up (ENU).La fase de entrenamiento consiste en encontrar un modelo que relacione los residuales con la diferencia de posiciones estimadas con respecto a la trayectoria de referencia, es decir, los errores de posición.El error de posicionamiento estimado por el modelo ML se puede restar de la posición proporcionada por el receptor GNSS, lo que aumenta la precisión del posicionamiento.Cuando esté disponible, se puede incluir información adicional en el modelo de aprendizaje automático.Esto se deja para trabajos futuros.Por ejemplo, agregar una etiqueta derivada de la posición que indique si el área actual es rural o urbana podría ayudar al algoritmo ML a lograr mejores rendimientos.Eventualmente, si la posición en sí (o una versión cuantificada) se usa en el modelo ML, el modelo puede actuar como una especie de trazado de rayos, porque el modelo aprenderá estadísticamente cómo se reflejan los rayos en un entorno determinado, en función del acimut. y elevación.Sin embargo, esto requeriría una enorme cantidad de datos.Por esta razón, este aspecto no se tuvo en cuenta por el momento.En este escenario, el algoritmo ya no sería independiente de la información externa sobre el entorno en el que opera el receptor.El concepto ha sido probado con datos recopilados de receptores del mercado masivo.Se realizaron tres análisis de datos:• Solución PVT multiconstelación de frecuencia única (SF) de un receptor de mercado masivo, utilizada como caja negra;• Solución PVT multiconstelación de doble frecuencia (DF) de un receptor de mercado masivo, utilizada como caja negra;• Mediciones de teléfonos inteligentes (Google Smartphone Decimeter Challenge) utilizando un motor PVT de frecuencia única.En los primeros dos experimentos, los datos se recopilaron con receptores de mercado masivo durante campañas de prueba y ensayos de campo realizados en 2020-2021 en los Países Bajos, dirigidos a dos entornos principales: un escenario rural/cielo abierto y un escenario urbano profundo en Rotterdam, (con partes de la adquisición de datos en carreteras).Los conjuntos de datos constan de varias ejecuciones, para un total de aproximadamente 117k, 175k y 95k épocas y se representan en la Figura 4. También está disponible para cada trayectoria una trayectoria de referencia para la verdad en el terreno obtenida con un GNSS/IMU de gama alta.En los experimentos, cada época se consideró de forma independiente.Por lo tanto, no se ha explotado la correlación temporal entre épocas.La correlación temporal se puede lograr mediante el uso de una red neuronal recurrente (RNN), como la memoria a corto plazo (LSTM), pero esto se deja para el trabajo futuro.El algoritmo ML se ha implementado como una red neuronal utilizando Tensorflow.La arquitectura de la red neuronal se reporta en la Figura 3, mostrando un ejemplo con cuatro capas, donde la última está completamente conectada, con tres neuronas (una para cada dirección del sistema de coordenadas) y sin activación, lo que proporciona la estimación del error por componente.El uso de un solo modelo ML para los tres componentes simultáneamente (regresión de objetivos múltiples) permite capturar las correlaciones entre los componentes.El algoritmo se puede ajustar para que funcione en diferentes configuraciones.Por ejemplo, en el experimento con datos de teléfonos inteligentes, solo se consideraron los errores horizontales, lo que llevó a una capa final con solo 2 neuronas.Para la prueba de concepto se utilizó una red neuronal con seis capas de [2048, 2048, 512, 256, 32, 3] unidades respectivamente.Cada capa va seguida de una función de activación de unidad lineal rectificada (ReLU).Se han realizado optimizaciones limitadas de la red neuronal y de la fase de entrenamiento.Dentro de cada conjunto de datos, el 70 % se usó para entrenamiento, el 15 % para validación y el 15 % para prueba.Las Figuras 5, 6 y 8 muestran los resultados de las pruebas (tomadas de un 15% aleatorio del conjunto de datos nunca presentado al modelo ML durante el entrenamiento y la validación), comparando la función de distribución acumulativa (CDF) del error de posicionamiento con respecto a la trayectoria de referencia antes y después de la aplicación del algoritmo ML en la solución PVT.En particular, el algoritmo ML mejora efectivamente la precisión del posicionamiento.La figura 7 proporciona una representación visual de los resultados, tomada del área del centro de la ciudad de Róterdam.Los datos se toman de la prueba DF.Las posiciones de la trayectoria de referencia se representan en azul, las posiciones calculadas por el receptor del mercado masivo se representan en rojo y la posterior a las correcciones ML en verde.Las posiciones corregidas generalmente se encuentran más cerca de la trayectoria de referencia que las posiciones calculadas por el receptor del mercado masivo.La Tabla 1 y la Tabla 2 informan el resumen de los resultados para errores horizontales y 3D, respectivamente.Los errores de posicionamiento se reportan para diferentes percentiles, junto con la mejora en la precisión tanto en términos absolutos como relativos.Es interesante notar que en el percentil 95 la mejora oscila entre el 7,7% y el 38% para los errores horizontales, y entre el 23,5% y el 40,8% para los errores 3D.Para evaluar el impacto de la complejidad de la red neuronal en el rendimiento de las correcciones, se probó una variante más pequeña de la red neuronal compuesta por cuatro capas de [512, 256, 32, 3] unidades respectivamente.Una iteración del modelo más pequeño (NN1) requiere alrededor de 50 µs en la CPU de la computadora portátil (Intel i7-8650U), mientras que el almacenamiento de los parámetros del modelo entrenado requiere 2 MB.Esto permite que se implemente fácilmente en los receptores.El modelo más grande (NN2) requiere alrededor de 600 µs por iteración y alrededor de 60 MB de almacenamiento.Los resultados se informan en la Figura 9. Tenga en cuenta que NN2 logra mejores resultados que NN1.Hemos introducido el concepto de correcciones de aprendizaje automático para mejorar la precisión del posicionamiento del receptor GNSS.La ventaja de este método es que no requiere cambios en la arquitectura de los receptores GNSS y puede implementarse como un servicio de software.El concepto se ha demostrado en tres experimentos utilizando datos del mundo real recopilados con receptores y teléfonos inteligentes del mercado masivo, lo que demuestra que es posible lograr una mejora significativa en la precisión, incluso con una red neuronal de tamaño modesto.El trabajo futuro ampliará el tamaño del conjunto de datos, aumentando también la variedad de entornos, para evaluar mejor la generalización del modelo ML y explorar diferentes arquitecturas ML, por ejemplo, investigando el beneficio de LSTM para capturar la correlación temporal entre las épocas.Otra dirección interesante de la investigación será explorar los beneficios potenciales de las técnicas de posicionamiento de alta precisión, como PPP (-AR) o RTK.Este artículo se basa en material presentado en un documento técnico en ION GNSS+ 2021, disponible en ion.org/publications/order-publications.cfm.(1) G. Fu, M. Khider, F. van Diggelen, "Conjuntos de datos de medición GNSS sin procesar de Android para posicionamiento preciso", Actas de ION GNSS+ 2020, septiembre de 2020, págs. 1925-1937.(2) Martín Abadi, et al., “TensorFlow: aprendizaje automático a gran escala en sistemas heterogéneos”, 2015. Software disponible en tensorflow.org.(3) F van Diggelen, "Juego final para el GNSS urbano: el uso de Google de modelos de construcción en 3D", Inside GNSS, marzo de 2021(4) G. Caparra, “Corrección de la salida del receptor global de navegación por satélite”, PCT/EP2021/052383Gianluca Caparra recibió un Ph.D.en ingeniería de la información de la Università Degli Studi di Padova, Italia.Actualmente es ingeniero de radionavegación en la Agencia Espacial Europea.Sus intereses de investigación incluyen posicionamiento, navegación y garantía de tiempo, ciberseguridad, procesamiento de señales y aprendizaje automático, principalmente en el contexto de los sistemas satelitales de navegación global.Paolo Zoccarato tiene un Ph.D.en tecnología científica y mediciones para el espacio en la determinación precisa de la órbita de la Universidad de Padova, Italia.Trabajó en la Universidad de Curtin como posdoctorado en PPP-RTK y en Trimble TerraSat GmbH en VRS y RTx.Es ingeniero consultor de radionavegación en ESA/ESTEC, y contribuye principalmente al posicionamiento confiable de alta precisión en tiempo real para diferentes tipos de receptores, sensores, entornos y sistemas GNSS.Floor Melman recibió una maestría en ingeniería aeroespacial de la Universidad Tecnológica de Delft (TU Delft), Países Bajos.Ahora trabaja como ingeniero de radionavegación en ESA/ESTEC.Sus principales áreas de trabajo incluyen algoritmos PNT (en entornos hostiles) y procesamiento de señales GNSS.Washington View – Deja Vu de nuevo: ¿La red 5G de Ligado está configurada para un curso de colisión con GPS?Punto de vista de Bruselas: la comunidad espacial de la UE habla sobre seguridad, defensa y GalileoCopyright © Inside GNSS Media & Research LLC.Reservados todos los derechos.|Política de privacidadCalle Ancha 157, Suite 307 |Red Bank, Nueva Jersey EE. UU. 07701, Teléfono (732) 741-1964Washington View – Deja Vu de nuevo: ¿La red 5G de Ligado está configurada para un curso de colisión con GPS?Punto de vista de Bruselas: la comunidad espacial de la UE habla sobre seguridad, defensa y Galileo