GNSSMachine

Maschinelles Lernen als Grundlage für intelligentere Navigationsalgorithmen?

GNSSMachine

Ziele

GNSSMachine ist eine detaillierte Machbarkeitsstudie welche die Vorteile von Machine Learning-Methoden bei selektierten Navigationsproblemen hervorheben soll. Ziel ist es, Einblicke in die neuesten Entwicklungen des Machine Learning zu gewinnen, sie auf ausgewählte Navigationsprobleme anzuwenden und eine weitere Strategie zu entwickeln.

Errungenschaften

Mehrere Modelle zur Multipath- und Spoofing-Erkennung wurden entwickelt und erfolgreich getestet. Da qualitativ hochwertige Daten immer schwer kostenlos zu erwerben sind, wurden mehrere Datensätze mit unterschiedlichen Spoofing-Szenarien firmenintern simuliert und mit Labeln versehen. Das erworbene Know-how wurde in dem der FFG vorgelegten Abschlussbericht geteilt und erläutert die Verfahren und Ergebnisse.

Kurzbeschreibung

Machine Learning hat zu großen Fortschritten und Durchbrüchen in einer Vielzahl von Bereichen geführt. Bis vor kurzem wurde es jedoch kaum in Anwendungen für Navigation und GNSS eingesetzt, einem Bereich mit vielen Herausforderungen, die mit Machine Learning (ML) effektiv angegangen werden können. Heute werden solche Herausforderungen vor allem mit regelbasierten Ansätzen angegangen, die von Entwicklern und Ingenieuren manuell kodiert werden. Diese Ansätze haben den Nachteil, dass sie mühsam zu implementieren und anzupassen sind und bei der Implementierung neuer Parameter immer komplexer werden. ML hat das Potenzial, die Leistung von GNSS-Algorithmen deutlich zu steigern und Lösungen für zukünftige Probleme zu realisieren, die bis heute undenkbar sind.  In diesem Projekt werden konkrete Probleme im Bereich Navigation und GNSS ermittelt und mit ML-Ansätzen angegangen. Dieses Projekt ist ein erster Schritt in der Entwicklung zukünftiger Strategien  um die durch ML fortgeschrittene technologische Entwicklung auch im GNSS Bereich umzusetzen. Wir beschreiben drei Probleme, die wir mit Hilfe von Machine Learning lösen wollen: Multipath-Klassifizierung, Spoofing-Erkennung und das Erlernen von Kostenfunktionen für das Offroad-Routing. Die Ergebnisse werden zu einer detaillierten Machbarkeitsstudie führen, die zu zukünftigen Strategien zur Integration von ML in bestehende Anwendungen führen wird.

Facts

Projektpartner

Paul Savoie

Finanzierung

Österreichische Forschungsförderungsgesellschaft FFG