人工智能和衛(wèi)星導(dǎo)航怎么結(jié)合應(yīng)用

1、人工智能在GNSS中有用嗎？近年來，人工智能和機(jī)器學(xué)習(xí)發(fā)展迅猛，如今人工智能和機(jī)器學(xué)習(xí)已深入我們的日常生活，例如社交媒體，購物推薦，電子郵件垃圾郵件檢測，語音識別，自動(dòng)駕駛汽車，無人機(jī)等。通過編程模擬人類智能，像人類一樣“思考”并能夠像人類一樣為實(shí)現(xiàn)特定目標(biāo)而采取行動(dòng)。在我們自己的領(lǐng)域中，機(jī)器學(xué)習(xí)還改變了解決導(dǎo)航問題的方式，在未來的PNT技術(shù)發(fā)展中也將發(fā)揮重要的作用。一、機(jī)器學(xué)習(xí)能否取代傳統(tǒng)的GNSS定位技術(shù)實(shí)際上，當(dāng)已知GNSS定位的確切物理/數(shù)學(xué)模型時(shí)，在任何可觀的區(qū)域使用機(jī)器學(xué)習(xí)（ML）技術(shù)來收集大量數(shù)據(jù)并訓(xùn)練網(wǎng)絡(luò)用來估計(jì)接收機(jī)位置，這是沒有意義的，并且有點(diǎn)畫蛇添足。我們根據(jù)發(fā)現(xiàn)的物理定

2、律設(shè)計(jì)了衛(wèi)星導(dǎo)航系統(tǒng)，例如，我們使用開普勒定律對衛(wèi)星在軌道上的位置進(jìn)行建模；使用擴(kuò)頻技術(shù)對衛(wèi)星信號進(jìn)行建模，從而可以獲取從MEO軌道發(fā)射的非常微弱的信號。我們了解多普勒效應(yīng)，并設(shè)計(jì)了跟蹤環(huán)路來跟蹤衛(wèi)星信號并解碼導(dǎo)航信息。最后，我們使用三角測量法對定位進(jìn)行建模，并使用最小二乘法估算接收機(jī)的位置。通過GNSS科學(xué)家和工程師在過去幾十年的努力，GNSS現(xiàn)在可以實(shí)現(xiàn)厘米級的定位?？蓡栴}是;如果一切都那么完美，為什么我們?nèi)匀粵]有一個(gè)完美的GNSS定位呢？作為一名衛(wèi)星導(dǎo)航從業(yè)者，我認(rèn)為答案是，以上所做的假設(shè)并不總是在所有情況和應(yīng)用中都有效，例如在衛(wèi)星測量中，我們假設(shè)衛(wèi)星信號始終以直線傳輸。但是，大氣中的不

3、同層會(huì)衍射信號。遙感科學(xué)家研究了對流層和電離層，并提出了復(fù)雜的模型來減輕由傳輸延遲引起的測距誤差。但是，由于建筑物和地面障礙物引起的多徑效應(yīng)和非視距（NLOS）接收由于其高度的非線性和復(fù)雜性而很難處理。二、GNSS面臨哪些挑戰(zhàn)，機(jī)器學(xué)習(xí)如何幫助它？GNSS在不同環(huán)境下的性能差異很大，例如，在高深的峽谷中和在高速公路上行駛的汽車中，GNSS的性能截然不同。多徑效應(yīng)和非視距（NLOS）接收在影響不同環(huán)境下的GNSS接收機(jī)性能方面起著主要作用。如果我們按照處理電離層的方法來處理多徑效應(yīng)，則需要研究3D傳輸模型，這是造成反射的主要原因。從我們先前的研究中提取的數(shù)據(jù)，圖1的右側(cè)基于LOD1構(gòu)建模型和單反

4、射光線跟蹤算法進(jìn)行了仿真。它揭示了由多路徑引起的定位誤差，并且NLOS高度依賴于站點(diǎn)。換句話說，多徑和NLOS的非線性和復(fù)雜性很高。圖1城市環(huán)境下GPS定位誤差一般來說，機(jī)器學(xué)習(xí)會(huì)根據(jù)數(shù)據(jù)推導(dǎo)建立模型。機(jī)器學(xué)習(xí)最擅長干的是什么？（1）無法通過確定的物理/數(shù)學(xué)公式進(jìn)行數(shù)學(xué)建模的情況；（2）具有高復(fù)雜性、時(shí)變及非線性的復(fù)雜工況。考慮到GNSS多路徑的挑戰(zhàn)和機(jī)器學(xué)習(xí)的潛力，應(yīng)用人工智能減輕多路徑和NLOS的影響將變得非常簡單。一種主流想法是使用機(jī)器學(xué)習(xí)訓(xùn)練模型對LOS，多徑和NLOS測量結(jié)果進(jìn)行分類。圖2中說明了這一想法，需要三個(gè)步驟，即數(shù)據(jù)標(biāo)記、分類器訓(xùn)練和分類器評估。中間圖是訓(xùn)練分類器，右圖是多

5、徑檢測。實(shí)際上，每個(gè)步驟也都存在難度。圖2使用機(jī)器學(xué)習(xí)的方法示意圖數(shù)據(jù)標(biāo)記是否能保證完全正確？在我們的工作中，我們使用3D城市模型和光線追蹤模擬來標(biāo)記從GNSS接收機(jī)接收到的測量值。數(shù)據(jù)標(biāo)記可能并非100%正確，因?yàn)?D模型的結(jié)論性不足以代表真實(shí)世界。不包括樹木和動(dòng)態(tài)物體(車輛和行人)。此外，很難測量多個(gè)反射信號，并且3D模型也可能會(huì)出錯(cuò)。什么是類和特征？對于類，通常是指多徑或NLOS造成的偽距誤差。根據(jù)受多徑影響的變量選擇特征，包括載波噪聲比，偽距殘差，DOP等。如果我們可以深入接收機(jī)的相關(guān)器，則載波和偽碼的原始測量也是非常好的特征。我們的研究評估了GNSS分類器的不同級別的特征(相關(guān)器，R

6、INEX和NMEA)之間的比較，并揭示了該特征越原始，就可以獲得更好的分類精度。用于訓(xùn)練分類器的數(shù)據(jù)是否能夠代表一般應(yīng)用案例？數(shù)據(jù)的過度擬合始終是機(jī)器學(xué)習(xí)的難題。在不同城市中，多徑效應(yīng)和NLOS效應(yīng)非常困難。例如，歐洲和亞洲的體系結(jié)構(gòu)非常不同，產(chǎn)生了不同的多徑效果。使用香港數(shù)據(jù)訓(xùn)練的分類器不一定在倫敦表現(xiàn)良好。就其對GNSS多徑和NLOS的影響而言，對城市或城市地區(qū)進(jìn)行分類仍然是一個(gè)懸而未決的問題。三、組合導(dǎo)航系統(tǒng)面臨哪些挑戰(zhàn)？機(jī)器學(xué)習(xí)如何輔助？無縫定位一直是我們追求的終極目標(biāo)。但是，每個(gè)傳感器在不同的區(qū)域有不同的性能。表1給出了一個(gè)粗略的圖片。慣性傳感器在大多數(shù)地區(qū)幾乎都表現(xiàn)穩(wěn)定。但是，ME

7、MS-INS容易產(chǎn)生漂移，并且受溫度變化引起的隨機(jī)噪聲的影響很大。自然，組合導(dǎo)航是一種解決方案。實(shí)際上，應(yīng)該按照長時(shí)和短時(shí)綜合地考慮傳感器組合方案。表1不同場景下導(dǎo)航傳感器的性能室內(nèi)區(qū)域隧道空曠區(qū)域市區(qū)發(fā)生可能性GNSSXXV?wifi/BLEVXX?視覺定位V?V慣導(dǎo)VVVV注：V,x,?分別表示好、差和受限。長時(shí)傳感器從長遠(yuǎn)來看，用于定位的可用傳感器有各式各樣。確定采用哪種傳感器的要根據(jù)具體的應(yīng)用環(huán)境。以一個(gè)無縫定位的應(yīng)用為例，該示例適用于從家到辦公室的城市居民：步行到地鐵站(GNSS+IMU)在地鐵站散步(Wi-Fi/BLE+IMU)乘坐地鐵(IMU)在市區(qū)步行到辦公室(VPS+GNSS

8、+Wi-Fi/BLE+IMU)該示例清楚地表明，無縫定位應(yīng)集成不同的傳感器?？梢酝ㄟ^試探法或通過最大化傳感器的可觀察性來選擇傳感器。如果試探性地選擇了傳感器，我們必須知道系統(tǒng)在什么環(huán)境下運(yùn)行。這是機(jī)器學(xué)習(xí)切入的最佳角度之一。實(shí)際上，應(yīng)用場景的分類正是機(jī)器學(xué)習(xí)最擅長的。在經(jīng)過監(jiān)督學(xué)習(xí)訓(xùn)練的人工智能模型中，不僅能夠確定用戶的應(yīng)用環(huán)境，而且還能確定用戶行為（例如交通方式，包括靜態(tài)，人行道，坐在汽車或地鐵等）。先進(jìn)的人工智能檢測算法可以實(shí)現(xiàn)對室內(nèi)、室外場景的檢測，這能夠?yàn)闄C(jī)器學(xué)習(xí)在不同區(qū)域的組合導(dǎo)航系統(tǒng)智能地選擇正確的導(dǎo)航系統(tǒng)奠定基礎(chǔ)。通過對特征，類和機(jī)器學(xué)習(xí)算法的選擇進(jìn)行適應(yīng)性的修改，可以將相同的方

9、法擴(kuò)展到車輛應(yīng)用中。短時(shí)傳感器從技術(shù)上講，如果可以準(zhǔn)確的獲得不同傳感器的定位不確定度，則可以獲得最佳的組合導(dǎo)航解決方案。經(jīng)實(shí)際測試，傳感器的不確定度在特定環(huán)境下保持不變。因此，大多數(shù)傳感器的定位不確定度在組合導(dǎo)航系統(tǒng)中使用之前都經(jīng)過了的校準(zhǔn)。但是，問題在于環(huán)境可能會(huì)在短時(shí)間內(nèi)迅速變化。例如，一輛汽車在市區(qū)里有多個(gè)高架橋行駛，或者一輛汽車在有樹冠的露天天空中行駛。這些場景極大地影響了GNSS的性能，但是，影響時(shí)間非常短，無法將GNSS排除在所使用的傳感器子集中。應(yīng)對這些意外和瞬態(tài)影響的最佳解決方案是減小系統(tǒng)中受影響傳感器的權(quán)重。由于這些影響的復(fù)雜性，基于機(jī)器學(xué)習(xí)的不確定度自適應(yīng)調(diào)整受到了越來越多

10、的關(guān)注，筆者通過GNSS/INS組合的實(shí)驗(yàn)證明了這種潛力。該實(shí)驗(yàn)采用商用GNSS和MEMSINS的城市峽谷中進(jìn)行的。使用不同的機(jī)器學(xué)習(xí)算法將GNSS定位誤差分為四類：健康，輕微偏移，不準(zhǔn)確和危險(xiǎn)。它清楚地表明，機(jī)器學(xué)習(xí)可以很好地預(yù)測GNSS解決方案的類別，從而能夠?yàn)镚NSS分配適當(dāng)?shù)臋?quán)重。這僅是一個(gè)示例，初步顯示了機(jī)器學(xué)習(xí)在估計(jì)/預(yù)測傳感器不確定度方面的潛力。該方法還可以應(yīng)用于不同的傳感器組合，例如Wi-Fi/BLE/IMU組合。由于數(shù)據(jù)的過度擬合，訓(xùn)練有素的分類器的挑戰(zhàn)對于特定區(qū)域可能過于具體。這仍然是該領(lǐng)域的開放研究問題。四、導(dǎo)航系統(tǒng)是采用機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)?基于計(jì)算機(jī)科學(xué)中對象識別的研

11、究，深度學(xué)習(xí)（DL）是當(dāng)前的主流方法，因?yàn)樵跐M足兩個(gè)條件（數(shù)據(jù)和計(jì)算）時(shí)，深度學(xué)習(xí)通常優(yōu)于機(jī)器學(xué)習(xí)。深度學(xué)習(xí)的訓(xùn)練模型完全由數(shù)據(jù)驅(qū)動(dòng)，而機(jī)器學(xué)習(xí)訓(xùn)練模型適應(yīng)于假定的（已知）數(shù)學(xué)模型。選擇機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的經(jīng)驗(yàn)法則是現(xiàn)有數(shù)據(jù)的可用性。如果可以獲得大量且確定性的數(shù)據(jù)，由于深度學(xué)習(xí)在數(shù)據(jù)擬合方面的優(yōu)越性，它將會(huì)有更出色的性能。換句話說，深度學(xué)習(xí)可以自動(dòng)發(fā)現(xiàn)影響類的功能。但是，與深度學(xué)習(xí)訓(xùn)練的模型相比，由機(jī)器學(xué)習(xí)訓(xùn)練的模型更容易理解。深度學(xué)習(xí)模型更像是黑匣子。此外，深度學(xué)習(xí)中的卷積節(jié)點(diǎn)和層適用于提取特征。層數(shù)和節(jié)點(diǎn)數(shù)的選擇仍然很難確定，因此在試錯(cuò)法中被廣泛采用。這些是深度學(xué)習(xí)中的主要難點(diǎn)。如果可以為

12、組合導(dǎo)航系統(tǒng)完美地設(shè)計(jì)經(jīng)過深度學(xué)習(xí)訓(xùn)練的中性網(wǎng)絡(luò)，則它應(yīng)該考慮長時(shí)和短時(shí)面臨的問題。設(shè)計(jì)幾個(gè)隱藏層來預(yù)測使用環(huán)境，而其他隱藏層將預(yù)測傳感器的不確定度。這個(gè)想法很簡單，而存在的問題是：（1）是否確定用于訓(xùn)練分類器的數(shù)據(jù)以代表一般的應(yīng)用案例？（2）什么是分類器？（3）什么是特征？（4）應(yīng)該使用多少層和多少節(jié)點(diǎn)？五、機(jī)器學(xué)習(xí)如何影響導(dǎo)航領(lǐng)域？機(jī)器學(xué)習(xí)將加快無縫定位的發(fā)展。隨著機(jī)器學(xué)習(xí)在導(dǎo)航領(lǐng)域的出現(xiàn)，高精度的INS不再是唯一的解決方案。這些AI技術(shù)有助于針對復(fù)雜的導(dǎo)航問題選擇合適的傳感器或原始測量結(jié)果（具有適當(dāng)?shù)男湃味龋?。傳感器的瞬態(tài)選擇（即插即用）將影響組合導(dǎo)航算法。導(dǎo)航領(lǐng)域的研發(fā)工程師一直在研究Kalman濾波器及其擴(kuò)展形式。但是，卡爾曼濾波器很難適應(yīng)傳感器的即插即用功能。在機(jī)器人技術(shù)領(lǐng)域廣泛使用的圖形優(yōu)化可能是用于組合導(dǎo)航的最佳傳感器接入方式之一。除了GNSS和上述組合導(dǎo)航系統(tǒng)之外，Google最近開發(fā)的視覺定位系統(tǒng)(VPS)可以用機(jī)器學(xué)習(xí)檢測到的語義信息代替視覺拐點(diǎn)檢測?？纯次覀冊贕NSS之前的導(dǎo)航方式，我們將視覺界標(biāo)與我