RNN-Based GNSS Positioning using Satellite Measurement Features and Pseudorange Residuals

要約

全地球航法衛星システム (GNSS) のコンテキストでは、特にシングル エポック シナリオにおいて、偏った測定が測位精度に強い影響を与えることを考慮すると、利用可能な衛星の数が増加することで、最も正確な擬似距離の寄与を選択する際に多くの課題が生じています。
。
この研究では、リンクごとの測定品質係数を予測する際に機械学習の可能性を活用し、測定の重み付けを最適化します。
この目的のために、条件付き擬似距離残差やリンクごとの衛星メトリック（搬送波対雑音電力密度比とその経験的統計、衛星高度、搬送波位相ロック時間など）などの異種特徴で構成されるカスタマイズされた行列を使用します。
この行列は、リカレント ニューラル ネットワーク (RNN) (つまり、長期短期記憶 (LSTM) ネットワーク) への入力として供給されます。
広範なフィールド測定から得られた実際のデータに関する当社の実験結果は、当社が提案するソリューションが、従来の測定の重み付けと最先端の選択戦略を上回る高い可能性を示しています。

要約(オリジナル)

In the Global Navigation Satellite System (GNSS) context, the growing number of available satellites has lead to many challenges when it comes to choosing the most accurate pseudorange contributions, given the strong impact of biased measurements on positioning accuracy, particularly in single-epoch scenarios. This work leverages the potential of machine learning in predicting link-wise measurement quality factors and, hence, optimize measurement weighting. For this purpose, we use a customized matrix composed of heterogeneous features such as conditional pseudorange residuals and per-link satellite metrics (e.g., carrier-to-noise power density ratio and its empirical statistics, satellite elevation, carrier phase lock time). This matrix is then fed as an input to a recurrent neural network (RNN) (i.e., a long-short term memory (LSTM) network). Our experimental results on real data, obtained from extensive field measurements, demonstrate the high potential of our proposed solution being able to outperform traditional measurements weighting and selection strategies from state-of-the-art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google