人工智能在GNSS中有用吗？
近年来，人工智能和机器学习发展迅猛，如今人工智能和机器学习已深入我们的日常生活，例如社交媒体，购物推荐，电子邮件垃圾邮件检测，语音识别，自动驾驶汽车，无人机等。
通过编程模拟人类智能，像人类一样“思考”并能够像人类一样为实现特定目标而采取行动。在我们自己的领域中，机器学习还改变了解决导航问题的方式，在未来的PNT技术发展中也将发挥重要的作用。
一、 机器学习能否取代传统的GNSS定位技术
实际上，当已知GNSS定位的确切物理/数学模型时，在任何可观的区域使用机器学习（ML）技术来收集大量数据并训练网络用来估计接收机位置，这是没有意义的，并且有点画蛇添足。我们根据发现的物理定律设计了卫星导航系统，例如，我们使用开普勒定律对卫星在轨道上的位置进行建模；使用扩频技术对卫星信号进行建模，从而可以获取从MEO轨道发射的非常微弱的信号。我们了解多普勒效应，并设计了跟踪环路来跟踪卫星信号并解码导航信息。最后，我们使用三角测量法对定位进行建模，并使用最小二乘法估算接收
机的位置。通过GNSS科学家和工程师在过去几十年的努力，GNSS现在可以实现厘米级的定位。可问题是; 如果一切都那么完美，为什么我们仍然没有一个完美的GNSS定位呢？
作为一名卫星导航从业者，我认为答案是，以上所做的假设并不总是在所有情况和应用中都有效，例如在卫星测量中，我们假设卫星信号始终以直线传输。但是，大气中的不同层会衍射信号。遥感科学家研究了对流层和电离层，并提出了复杂的模型来减轻由传输延迟引起的测距误差。但是，由于建筑物和地面障碍物引起的多径效应和非视距（NLOS）接收由于其高度的非线性和复杂性而很难处理。
二、 GNSS面临哪些挑战，机器学习如何帮助它？
GNSS在不同环境下的性能差异很大，例如，在高深的峡谷中和在高速公路上行驶的汽车中，GNSS的性能截然不同。多径效应和非视距（NLOS）接收在影响不同环境下的GNSS接收机性能方面起着主要作用。如果我们按照处理电离层的方法来处理多径效应，则需要研究3D传输模型，这是造成反射的主要原因。从我们先前的研究中提取的数据，图1的右侧基于LOD1构建模型和单反射光线跟踪算法进行了仿真。它揭示了由多路径引起的定位误差，并且NLOS高度依赖于站点。换句话说，多径和NLOS的非线性和复杂性很高。
图1城市环境下 GPS定位误差
一般来说，机器学习会根据数据推导建立模型。机器学习最擅长干的是什么？ （1）无法通过确定的物理/数学公式进行数学建模的情况； （2）具有高复杂性、时变及非线性的复杂工况。
考虑到GNSS多路径的挑战和机器学习的潜力，应用人工智能减轻多路径和NLOS的影响将变得非常简单。一种主流想法是使用机器学习训练模型对LOS，多径和NLOS测量结果进行分类。图2中说明了这一想法，需要三个步骤，即数据标记、分类器训练和分类器评估。中间图是训练分类器，右图是多径检测。实际上，每个步骤也都存在难度。
图2 使用机器学习的方法示意图
（1）数据标记是否能保证完全正确？
在我们的工作中，我们使用3D城市模型和光线追踪模拟来标记从GNSS接收机接收到的测量值。数据标记可能并非100％正确，因为3D模型的结论性不足以代表真实世界。不包括树木和动态物体（车辆和行人）。此外，很难测量多个反射信号，并且3D模型也可能会出错。 （2）什么是类和特征？
对于类，通常是指多径或NLOS造成的伪距误差。根据受多径影响的变量选择特征，包括载波噪声比，伪距残差，DOP等。如果我们可以深入接收机的相关器，则载波和伪码的原始测量也是非常好的特征。我们的研究评估了GNSS分类器的不同级别的特征（相关器，RINEX和NMEA）之间的比较，并揭示了该特征越原始，就可以获得更好的分类精度。 （3）用于训练分类器的数据是否能够代表一般应用案例？
数据的过度拟合始终是机器学习的难题。在不同城市中，多径效应和NLOS效应非常困难。例如，欧洲和亚洲的体系结构非常不同，产生了不同的多径效果。使用香港数据训练的分类器不一定在伦敦表现良好。就其对GNSS
多径和NLOS的影响而言，对城市或城市地区进行分类仍然是一个悬而未决的问题。
三、组合导航系统面临哪些挑战？机器学习如何辅助？
无缝定位一直是我们追求的终极目标。但是，每个传感器在不同的区域有不同的性能。表1给出了一个粗略的图片。惯性传感器在大多数地区几乎都表现稳定。但是，MEMS-INS容易产生漂移，并且受温度变化引起的随机噪声的影响很大。自然，组合导航是一种解决方案。实际上，应该按照长时和短时综合地考虑传感器组合方案。
表1 不同场景下导航传感器的性能
室内区域 GNSS wifi/BLE 视觉定位 惯导 隧道 × √ √ √ 空旷区域 × × ？ √ 市区 √ × ？ √ 发生可能性 ？ ？ √ √ 注：√，×，？分别表示好、差和受限。
长时传感器
从长远来看，用于定位的可用传感器有各式各样。确定采用哪种传感器的要根据具体的应用环境。以一个无缝定位的应用为例，该示例适用于从家到办公室的城市居民：
（1）步行到地铁站（GNSS + IMU） （2）在地铁站散步（Wi-Fi / BLE + IMU） （3）乘坐地铁（IMU）
（4）在市区步行到办公室（VPS + GNSS + Wi-Fi / BLE + IMU）
该示例清楚地表明，无缝定位应集成不同的传感器。可以通过试探法或通过最大化传感器的可观察性来选择传感器。如果试探性地选择了传感器，我们必须知道系统在什么环境下运行。这是机器学习切入的最佳角度之一。实际上，应用场景的分类正是机器学习最擅长的。在经过监督学习训练的人工智能模型中，不仅能够确定用户的应用环境，而且还能确定用户行为（例如交通方式，包括静态，人行道，坐在汽车或地铁等）。
先进的人工智能检测算法可以实现对室内、室外场景的检测，这能够为机器学习在不同区域的组合导航系统智能地选择正确的导航系统奠定基础。通过对特征，类和机器学习算法的选择进行适应性的修改，可以将相同的方法扩展到车辆应用中。 短时传感器
从技术上讲，如果可以准确的获得不同传感器的定位不确定度，则可以获得最佳的组合导航解决方案。经实际测试，传感器的不确定度在特定环境下保持不变。因此，大多数传感器的定位不确定度在组合导航系统中使用之前都经过了的校准。
但是，问题在于环境可能会在短时间内迅速变化。例如，一辆汽车在市区里有多个高架桥行驶，或者一辆汽车在有树冠的露天天空中行驶。这些场景极大地影响了GNSS的性能，但是，影响时间非常短，无法将GNSS排除在所使用的传感器子集中。应对这些意外和瞬态影响的最佳解决方案是减小系统中受影响传感器的权重。
由于这些影响的复杂性，基于机器学习的不确定度自适应调整受到了越来越多的关注，笔者通过GNSS / INS组合的实验证明了这种潜力。该实验采用商用GNSS和MEMS INS的城市峡谷中进行的。使用不同的机器学习算法将GNSS定位误差分为四类：健康，轻微偏移，不准确和危险。它清楚地表明，机器学习可以很好地预测GNSS解决方案的类别，从而能够为GNSS分配适当的权重。
这仅是一个示例，初步显示了机器学习在估计/预测传感器不确定度方面的潜力。该方法还可以应用于不同的传感器组合，例如Wi-Fi / BLE / IMU组合。由于数据的过度拟合，训练有素的分类器的挑战对于特定区域可能过于具体。这仍然是该领域的开放研究问题。
人工智能和卫星导航怎么结合应用 - 图文
