Learning-based NLOS Detection and Uncertainty Prediction of GNSS Observations with Transformer-Enhanced LSTM Network

要約

全地球航法衛星システム（GNSS）は、輸送システムにおいて、正確で一貫性のある車両定位のために重要な役割を果たしている。しかし、GNSS観測は、都市の峡谷のような厳しい環境では、マルチパス効果や非直視線（NLOS）受信により歪むことがあります。このような場合、欠陥のあるGNSS観測を分類して除外する従来の方法は失敗する可能性があり、信頼性の低い状態推定と安全でないシステム運用につながる。この研究では、GNSS観測を時空間モデリング問題として分析することで、NLOS受信を検出し、GNSS擬似距離誤差を予測するディープラーニングベースの手法を提案する。先行研究と比較して、我々は変換器のような注意メカニズムを構築し、長期短期記憶（LSTM）ネットワークを強化し、モデルの性能と汎化を改善する。提案ネットワークの学習と評価には、香港とアーヘンのラベル付きデータセットを用いた。また、ライダーマップを用いたGNSS観測データにラベル付けするためのデータセット生成プロセスも紹介する。実験研究では、提案ネットワークをディープラーニングベースのモデルや古典的な機械学習モデルと比較する。さらに、我々のネットワークコンポーネントのアブレーション研究を実施し、状態推定器におけるNLOS検出とデータ分布外検出を統合する。その結果、我々のネットワークは、他のモデルと比較して、精度と再現率が向上した。さらに、提案手法は、NLOS観測を分類し除外することで、実世界の車両定位における軌跡発散を回避することを示す。

要約(オリジナル)

The global navigation satellite systems (GNSS) play a vital role in transport systems for accurate and consistent vehicle localization. However, GNSS observations can be distorted due to multipath effects and non-line-of-sight (NLOS) receptions in challenging environments such as urban canyons. In such cases, traditional methods to classify and exclude faulty GNSS observations may fail, leading to unreliable state estimation and unsafe system operations. This work proposes a Deep-Learning-based method to detect NLOS receptions and predict GNSS pseudorange errors by analyzing GNSS observations as a spatio-temporal modeling problem. Compared to previous works, we construct a transformer-like attention mechanism to enhance the long short-term memory (LSTM) networks, improving model performance and generalization. For the training and evaluation of the proposed network, we used labeled datasets from the cities of Hong Kong and Aachen. We also introduce a dataset generation process to label the GNSS observations using lidar maps. In experimental studies, we compare the proposed network with a deep-learning-based model and classical machine-learning models. Furthermore, we conduct ablation studies of our network components and integrate the NLOS detection with data out-of-distribution in a state estimator. As a result, our network presents improved precision and recall ratios compared to other models. Additionally, we show that the proposed method avoids trajectory divergence in real-world vehicle localization by classifying and excluding NLOS observations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL