機械学習を利用したGNSSのインテグリティ予測

使用机器学习进行 GNSS 完整性预测

基本信息

批准号：
22KJ1391
负责人：
小林海斗
金额：
$ 1.41万
依托单位：
Tokyo University of Marine Science and Technology
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2023
资助国家：
日本
起止时间：
2023-03-08 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KJ1391/
关键词：
衛星測位 RTK マルチパス機械学習 GNSS 3D地図

项目摘要

2021年度に作成したRTK測位におけるLOS(Line-On-Site)衛星とNLOS(Non-Line-On-Site)衛星の識別シミュレーションプログラムについてRTK測位の予測性能を改善するために改修を行った。まず3Dマップをより精密かつ最新のLOD2モデルへとアップグレードした。3Dマップには2021年度と同様PLATEAU Projectのモデルを使用している。2021年度段階ではRay-Casting法を用いた単純なLOS/NLOS判別だったが、Ray-Launching法を導入してRTKをFixさせにくくするマルチパスを発生させるNLOS衛星を識別する機能を追加した。また、先行研究をもとにLOSの中でも見通しでの観測が継続している衛星数をカウントする機能を追加した。これにより部分的にRTK可否の予測精度が向上・安定した。シミュレーション結果を用いたRTK性能予測では教師データとして実際の車両による走行計測データを追加で取得し、全部で7個の走行データを用いて予測手法の検証・改良を行った。RTK測位結果の予測にはk-NNとLogistic Regressionの２つの機械学習手法を使用しているが、これについて交差検証手法を用いて2つのアルゴリズムの妥当性を明確にした。具体的にはROC(Receiver Operating Characteristic）曲線の作成とAUC(Area Under Curve)の算出で予測性能を評価した。また、近年LEO（低軌道衛星）を用いた測位手法の検討が盛んなことから、本研究手法を応用してLEOを測位衛星として使用できた場合に都市部でRTK測位性能がどのように向上するかを検討を行っている。

修订了2021财年创建的RTK定位中识别LOS（Line-On-Site）卫星和NLOS（Non-Line-On-Site）卫星的模拟程序，以提高RTK定位的预测性能。首先，我们将 3D 地图升级为更精确、最新的 LOD2 模型。 3D 地图使用 2021 年的 PLATEAU Project 模型。 2021年阶段，LOS/NLOS只是简单地使用Ray-Casting方法确定，但我们增加了一个功能，引入Ray-Launching方法来识别产生多路径而难以修复RTK的NLOS卫星。此外，根据之前的研究，我们添加了一个功能，可以统计在视距内持续观测到的卫星数量。这部分提高并稳定了 RTK 可用性的预测精度。在利用仿真结果预测RTK性能时，我们另外获取了实车的驾驶测量数据作为训练数据，并使用总共7个驾驶数据来验证和改进预测方法。使用k-NN和Logistic回归两种机器学习方法来预测RTK定位结果，并使用交叉验证方法阐明了两种算法的有效性。具体而言，通过创建ROC（接收者操作特性）曲线并计算AUC（曲线下面积）来评估预测性能。此外，近年来，人们对使用LEO（低地球轨道卫星）的定位方法进行了大量研究，因此如果可以将LEO用作定位卫星，那么看看城市地区的RTK定位性能将如何提高将是很有趣的我们正在考虑是否采用这种研究方法。