KNOXVILLE, TN, le 24 décembre 2024 /24-7PressRelease/ -- Confrontés au défi persistant des erreurs Non-Ligne-de-Vue (NLOS) dans la navigation urbaine par systèmes de satellites de navigation globale (GNSS), les chercheurs ont introduit une solution innovante propulsée par l'Intelligence Artificielle (IA). En s'appuyant sur la Machine de Renforcement des Gradients Légers (LightGBM), cette méthode analyse de multiples caractéristiques des signaux 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 le GNSS, en faisant une avancée critique pour la navigation urbaine, où la précision est essentielle.

Dans les environnements urbains, les systèmes de satellites de navigation globale (GNSS) ont souvent du mal avec les obstructions de signaux causées par de grands bâtiments, des véhicules et d'autres structures. Ces obstacles entraînent des erreurs Non-Ligne-de-Vue (NLOS) qui causent des inexactitudes de positionnement, particulièrement problématiques pour des technologies comme les véhicules autonomes et les systèmes de transport intelligent. Le besoin de solutions en temps réel efficaces 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 intelligentes et de réseaux de transport.

Publié (DOI : 10.1186/s43020-024-00152-7) dans Satellite Navigation le 22 novembre 2024, cette étude introduit une approche de machine learning de pointe pour s'attaquer aux 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 Machine de Renforcement des Gradients Légers (LightGBM), un puissant modèle guidé par IA (Intelligence Artificielle) conçu pour détecter et exclure les inexactitudes liées aux NLOS. La performance du modèle a été validée par des expériences dynamiques dans le monde réel menées à Wuhan, en Chine, prouvant son efficacité dans des environnements urbains difficiles.

La recherche met en évidence une méthode avancée pour identifier les erreurs NLOS dans les systèmes GNSS utilisant le modèle de machine learning LightGBM. Cette méthode implique l'utilisation d'une caméra grand angle pour étiqueter les signaux GNSS comme étant soit Ligne-de-Vue (LOS), soit Non-Ligne-de-Vue (NLOS), en fonction de la visibilité des satellites. Les chercheurs ont ensuite analysé une gamme de caractéristiques de signaux, y compris le rapport signal sur bruit, l'angle d'élévation, la cohérence de pseudorange et la cohérence de phase. En identifiant les corrélations entre ces caractéristiques et les types de signaux, le modèle LightGBM a pu distinguer avec précision entre les signaux LOS et NLOS, atteignant une précision impressionnante de 92 %. Comparé à des méthodes traditionnelles comme XGBoost, cette approche a offert une performance supérieure tant en précision qu'en efficacité computationnelle. Les résultats montrent que l'exclusion des signaux NLOS des solutions GNSS peut entraîner des améliorations substantielles de l'exactitude de positionnement, en particulier dans les canyons urbains où les obstructions sont courantes.

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

Cette recherche détient un potentiel immense pour les industries qui dépendent de la technologie GNSS, y compris les véhicules autonomes, les drones et la planification urbaine. 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, cette avancée jouera un rôle crucial dans le soutien de la prochaine génération de technologies de transport et de navigation.

References
DOI
10.1186/s43020-024-00152-7

URL de la source originale
https://doi.org/10.1186/s43020-024-00152-7

Informations de financement
Cette recherche a été financée par le Fonds National des Sciences pour les Jeunes Chercheurs Distingués de Chine (Numéro de subvention 42425003), la Fondation Nationale des Sciences Naturelles de Chine (Numéros de subvention 42274034, 42388102), le Programme Majeur (JD) de la Province du Hubei (Numéro de subvention 2023BAA026), le Fonds Spécial du Laboratoire Luojia de Hubei (Numéro de subvention 2201000038), et le Fonds Spécial du Laboratoire Coopératif de Technologie de Positionnement Haute Précision de l'Université de Wuhan-Baidu Map Beidou.

À propos de Satellite Navigation
Satellite Navigation (E-ISSN : 2662-1363 ; ISSN : 2662-9291) est le journal officiel de l'Institut de Recherche d'Information Aéronautique, Académie Chinoise des Sciences. Le journal vise à rapporter des idées innovantes, de nouveaux résultats ou des progrès sur les techniques théoriques et les applications de la navigation par satellite. Le journal accueille des articles originaux, des revues et des commentaires.

Chuanlink Innovations, où des idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, enraciné dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées depuis leur provenance jusqu'à leur réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.