LF-GNSS: Towards More Robust Satellite Positioning with a Hard Example Mining Enhanced Learning-Filtering Deep Fusion Framework

要約

グローバルナビゲーション衛星システム（GNSS）は、自動運転システム、無人車両、およびさまざまな位置ベースのテクノロジーに不可欠です。これは、ナビゲーションと状況認識に必要な正確な地理空間情報を提供するためです。
ただし、そのパフォーマンスは、特に都市環境では、視線のない（NLOS）およびマルチパス効果によって劣化することがよくあります。
最近、人工知能（AI）は多くの業界でイノベーションを促進しており、衛星ポジショニングの課題を軽減するための新しいソリューションを導入しています。
このペーパーでは、LF-GNSと呼ばれる衛星位置決めのための学習フィルタリングディープフュージョンフレームワークを紹介します。
このフレームワークは、ディープラーニングネットワークを利用して、衛星観測の信号特性をインテリジェントに分析し、カルマンフィルター入力の観測ノイズ共分散マトリックスと補償イノベーションベクトルの適応構造を可能にします。
動的なハード例マイニング技術は、トレーニング中に挑戦的な衛星信号に優先順位を付けることにより、モデルの堅牢性を高めるために組み込まれています。
さらに、精度の希釈（DOP）の寄与に基づいた新しい特徴表現を導入します。これは、個々の衛星の信号品質をより効果的に特徴付け、測定の重み付けを改善するのに役立ちます。
LF-GNSは、パブリックデータセットとプライベートデータセットの両方で検証されており、従来の方法やその他の学習ベースのソリューションと比較して優れた位置決めの精度を示しています。
AIおよびGNSSの研究のさらなる統合を奨励するために、https：//github.com/garlanlou/lf-gnssでコードをオープンソースし、https://github.com/garlanlou/lf-gnssdatasetで都市のシナリオの衛星位置データセットのコレクションをリリースします。

要約(オリジナル)

Global Navigation Satellite System (GNSS) is essential for autonomous driving systems, unmanned vehicles, and various location-based technologies, as it provides the precise geospatial information necessary for navigation and situational awareness. However, its performance is often degraded by Non-Line-Of-Sight (NLOS) and multipath effects, especially in urban environments. Recently, Artificial Intelligence (AI) has been driving innovation across numerous industries, introducing novel solutions to mitigate the challenges in satellite positioning. This paper presents a learning-filtering deep fusion framework for satellite positioning, termed LF-GNSS. The framework utilizes deep learning networks to intelligently analyze the signal characteristics of satellite observations, enabling the adaptive construction of observation noise covariance matrices and compensated innovation vectors for Kalman filter input. A dynamic hard example mining technique is incorporated to enhance model robustness by prioritizing challenging satellite signals during training. Additionally, we introduce a novel feature representation based on Dilution of Precision (DOP) contributions, which helps to more effectively characterize the signal quality of individual satellites and improve measurement weighting. LF-GNSS has been validated on both public and private datasets, demonstrating superior positioning accuracy compared to traditional methods and other learning-based solutions. To encourage further integration of AI and GNSS research, we will open-source the code at https://github.com/GarlanLou/LF-GNSS, and release a collection of satellite positioning datasets for urban scenarios at https://github.com/GarlanLou/LF-GNSS-Dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google