У міських каньйонах сучасних мегаполісів домінуючим джерелом помилки позиціонування GNSS є не затримка в атмосфері, не зміщення супутникового тактового сигналу чи неточність ефемериди; Так і єБагатошляховик. Коли супутникові сигнали відбиваються від будівель, транспортних засобів і покриття до досягнення антени приймача, утворені затримки змінюють процес кореляції та створюють зміщення положення, яке у важких випадках може перевищувати 10 метрів.
Для застосувань, що потребують точності на рівні сантиметрів, контролю смуги автономних транспортних засобів, навігації за допомогою дронів доставки та точного геодезичного дослідження, пом'якшення багатошляхових наслідків є не підвищенням продуктивності, а фундаментальною вимогою. У цій статті розглядається фізика багатопроменевого поширення, класичні методи пом'якшення та алгоритми наступного покоління, які підвищують точність міського позиціонування до нових меж.
Фізика міського багатошляхового з'єднання
Багатошляховий сигнал виникає, коли сигнал GNSS надходить до приймача кількома шляхами: прямим шляхом прямої видимості та одним або кількома відбитими шляхами. У міському середовищі відбивні поверхні присутні всюди; Скляні шторові стіни, металеві кузови транспортних засобів, мокре покриття та бетонні конструкції створюють відкладені репліки сигналів із складними фазовими співвідношеннями.
- Короткозатримковий багатошляховий зв'язок:Відбиття від сусідніх поверхонь (транспортних засобів, пішоходів) надходять протягом 50 наносекунд від прямого сигналу, спотворюючи пік кореляції та створюючи субметрові зміщення, які важко виявити.
- Довготривалий багатошляховий зв'язок:Відбиття від віддалених будівель можуть прибувати із запізненням на сотні наносекунд, створюючи чіткі вторинні кореляційні піки, які просунуті приймачі можуть ідентифікувати та виключити.
- Залежність від частоти:Сигнали L5 з їхньою частотою чіпування 10,23 МГц забезпечують гостріші кореляційні піки, ніж L1-сигнали, що робить L5 більш стійким до короткозатримкового багатопроменевого зв'язку, що є ключовою причиною, чому сучасні приймачі віддають перевагу багатодіапазонним архітектурам.
У центрі Шанхаю чи Манхеттена мультипат не є винятком; це звичайний робочий стан. Приймач, розроблений лише для роботи на відкритому небі, катастрофічно виходить з ладу в таких умовах.
Класичні методи пом'якшення
Розробники приймачів GNSS розробили численні методики боротьби з багатошляховою системою, кожна з яких має свої компроміси між ефективністю, обчислювальними витратами та апаратною складністю.
Вузька відстань між кореляторами:Відбираючи кореляційну функцію на щільно розташованих зсувах навколо піку (0,1 відстань між чипами замість традиційного 0,5 чіпа), приймачі можуть краще розрізняти піки прямого шляху від ширших, спотворених піків, створених мультишляховими. Ця техніка забезпечує 3-5 разів покращення багатопроменевої помилки, але вимагає вищих частот дискретизації та пропускної здатності обробки.
Багатошляховий цикл із фіксацією затримки (MEDLL):Цей сучасний алгоритм відстеження моделює отриманий сигнал як суму прямих і відбитих компонентів, оцінюючи затримку, амплітуду та фазу кожного шляху. Реконструюючи та віднімаючи багатошляхові компоненти, MEDLL може знизити міські помилки позиціонування до 70% порівняно зі стандартними кореляторами.
Пом'якшення наслідків наступного покоління з допомогою штучного інтелекту
Нові підходи використовують машинне навчання для роботи з багатошляховою роботою так, як класичні алгоритми не можуть. Навчаючи нейронні мережі на позначених наборах даних відомих багатошляхових умов, приймачі можуть передбачати, які супутники, ймовірно, забруднені залежно від навколишнього середовища; Геометрія міських каньйонів, орієнтація транспортних засобів і навіть трафік у час доби.
Остання прошивка приймача Jumpstar включає контекстно-орієнтоване багатопроменеве виявлення, яке динамічно зважує супутники на основі прогнозованої ймовірності відбиття. Під час польових тестів у центральних ділових районах Пекіна, Лондона та Нью-Йорка цей підхід зменшив 95-й процентиль горизонтальних похибок з 3,2 метрів до 0,8 метра, наближаючи міську продуктивність RTK до еталонів відкритого неба.
Для системних інтеграторів, які впроваджують GNSS у складних середовищах, еволюція від апаратного пом'якшення до алгоритмів з підтримкою штучного інтелекту, орієнтованих на контекст, є парадигмальним зсувом у досяжній надійності позиціонування.
.png)
