GNSSMachine

Maschinelles Lernen als Grundlage für intelligentere Navigationsalgorithmen?

GNSSMachine

Ziele

Im Projekt GNSSMachine wird sondiert, welches Potential die modernen Methoden des maschinellen Lernens im Bereich GNSS und Navigation für die Verbesserung bestehender logikbasierter Algorithmen haben. Um diese Frage zu klären wird eine Machbarkeitsstudie erstellt, auf deren Basis das Konsortium eine langfristige Strategie zum Umgang mit maschinellem Lernen entwickelt.

Kurzbeschreibung

Obwohl maschinelles Lernen derzeit in vielen Bereichen große Fortschritte ermöglicht, gibt es bisher nur wenige bekannte Anwendungen in der Navigation und dem GNSS-Bereich. Dabei gibt es viele Problemstellungen, die effektiv mit maschinellem Lernen (ML) bearbeitet werden könnten. Derzeit werden solche Problemstellungen hauptsächlich mit regelbasierten Ansätzen und von Entwicklern getroffenen Entscheidungskriterien gelöst. Diese haben gegenüber den Methoden des maschinellen Lernens den Nachteil, dass sie aufwändig in der Implementierung und Anpassung an neue Rahmenbedingungen sind und mit zunehmender Anzahl an Parametern immer komplexer werden, was die Fehleranfälligkeit und den Wartungsaufwand erhöht. ML hat das Potential, die Leistung von GNSS-Algorithmen deutlich zu verbessern und zukünftige, heute undenkbare Lösungen, erfolgreich umzusetzen.
Im Rahmen dieses Projekts sollen einzelne Problemstellungen im Feld von Navigation und GNSS aufgegriffen und exemplarisch mit den Techniken des maschinellen Lernens bearbeitet werden, um eine weitere Strategie für den Umgang mit der aktuellen rasanten Entwicklung des ML zu entwickeln. Da Maschinenlernen, vor allem in Form künstlicher neuronaler Netze, heute als Weg zur „Künstlichen Intelligenz“ betrachtet wird, kann man in diesem Zusammenhang von der Einführung intelligenterer Algorithmen in die Navigation sprechen.
Es werden drei konkrete Fragestellungen beschrieben, die im Rahmen des Projekts mit Methoden des maschinellen Lernens bearbeitet werden sollen: Klassifikation von Mehrwegeffekten, Detektion von Spoofing und die Berechnung von Bewegungsgeschwindigkeiten aus Fernerkundungsdaten zum Routing im freien Gelände. Die Ergebnisse werden als Machbarkeitsstudie aufbereitet, um die Frage zu beantworten, inwiefern bestehende Lösungen durch aus Daten gelernte ML-Modelle ersetzt werden könnten. 

Facts

Projektpartner

Paul Savoie

Finanzierung

Österreichische Forschungsförderungsgesellschaft FFG