L'IA identifie les erreurs hors visibilité directe dans les systèmes mondiaux de navigation par satellite

Dans les environnements urbains, les systèmes mondiaux de navigation par satellite (GNSS) sont souvent confrontés à des obstructions de signal causées par des immeubles de grande hauteur, des véhicules et d'autres structures. Ces obstacles entraînent des erreurs sans visibilité directe (NLOS) qui entraînent des inexactitudes de positionnement, particulièrement problématiques pour les technologies telles que les véhicules autonomes et les systèmes de transport intelligents.

Le besoin de solutions efficaces en temps réel pour détecter et atténuer ces erreurs NLOS n’a jamais été aussi urgent, car un positionnement GNSS fiable est vital pour le développement de villes et de réseaux de transport intelligents.

Les chercheurs ont maintenant introduit une solution innovante alimentée par l’intelligence artificielle (IA). Le procédé analyse plusieurs caractéristiques de signal GNSS pour identifier et différencier avec précision les erreurs NLOS. Cette avancée promet d’améliorer considérablement la précision et la fiabilité des systèmes de positionnement basés sur GNSS, ce qui en fera une avancée essentielle pour la navigation urbaine, où la précision est essentielle.

Publié dans Navigation par satellite le 22 novembre 2024, cette étude présente une approche d'apprentissage automatique de pointe pour lutter contre les erreurs NLOS dans les systèmes GNSS urbains. Des chercheurs de l’Université de Wuhan, de l’Université du Sud-Est et de Baidu ont développé une solution utilisant la Light Gradient Boosting Machine (LightGBM), un puissant modèle basé sur l’IA conçu pour détecter et exclure les inexactitudes liées au NLOS.

Les performances du modèle ont été validées par des expériences dynamiques réelles menées à Wuhan, en Chine, prouvant son efficacité dans des environnements urbains difficiles.

La méthode implique l'utilisation d'une caméra fisheye pour étiqueter les signaux GNSS comme étant en ligne de visée (LOS) ou NLOS, en fonction de la visibilité des satellites. Les chercheurs ont ensuite analysé une gamme de caractéristiques du signal, notamment le rapport signal/bruit, l’angle d’élévation, la cohérence de la pseudo-portée et la cohérence de la phase.

En identifiant les corrélations entre ces caractéristiques et types de signaux, le modèle LightGBM a pu distinguer avec précision les signaux LOS et NLOS, atteignant une précision impressionnante de 92 %. Par rapport aux méthodes traditionnelles telles que XGBoost, cette approche a fourni des performances supérieures en termes de précision et d'efficacité de calcul.

Les résultats montrent que l'exclusion des signaux NLOS des solutions GNSS peut conduire à des améliorations substantielles de la précision du positionnement, en particulier dans les canyons urbains où les obstacles sont fréquents.

Le Dr Xiaohong Zhang, chercheur principal, a commenté : « Cette méthode représente un grand pas en avant dans l'amélioration du positionnement GNSS dans les environnements urbains. En utilisant l'apprentissage automatique pour analyser plusieurs caractéristiques des signaux, nous avons montré que l'exclusion des signaux NLOS peut améliorer considérablement la précision. et la fiabilité des systèmes de navigation par satellite. Cela a de profondes implications pour des applications telles que la conduite autonome et les infrastructures des villes intelligentes.

Cette recherche présente un immense potentiel pour les industries qui dépendent de la technologie GNSS, notamment les véhicules autonomes, les drones et l’urbanisme. En améliorant la détection et l'exclusion des erreurs NLOS, cette méthode peut améliorer la précision des systèmes GNSS, rendant la navigation plus sûre et plus efficace dans les villes densément peuplées. À mesure que les villes deviennent plus intelligentes et plus connectées, ces progrès joueront un rôle crucial dans le soutien de la prochaine génération de technologies de transport et de navigation.