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、車両の位置を正確かつ一貫して把握するため、交通システムにおいて重要な役割を果たしています。
ただし、都市の峡谷などの厳しい環境では、マルチパス効果や見通し外 (NLOS) 受信により、GNSS 観測が歪む可能性があります。
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し、信頼性の低い状態推定や安全でないシステム動作につながる可能性があります。
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深層学習ベースの方法を提案します。
以前の研究と比較して、長短期記憶 (LSTM) ネットワークを強化するトランスフォーマーのような注意メカニズムを構築し、モデルのパフォーマンスと一般化を向上させます。
提案されたネットワークのトレーニングと評価には、香港とアーヘンの都市からのラベル付きデータセットを使用しました。
また、LIDAR マップを使用して GNSS 観測にラベルを付けるためのデータセット生成プロセスも紹介します。
実験研究では、提案されたネットワークを深層学習ベースのモデルおよび古典的な機械学習モデルと比較します。
さらに、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、NLOS 検出と分布外のデータを状態推定器に統合します。
その結果、当社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ました。
さらに、提案された方法は、NLOS 観測を分類および除外することで、現実世界の車両位置特定における軌道の発散を回避することを示します。

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, Google