Машинне навчання суттєво підвищує точність GPS

У застосуваннях, де від надточного GNSS залежать безпека та ефективність — зокрема в системах моніторингу переміщень у реальному часі або навігації транспортних засобів, — ключовою є здатність максимально точно визначати фазові неоднозначності носія. Однак традиційні алгоритми валідації, такі як методи R-ratio і W-ratio, базуються переважно на емпіричних порогах, що робить їх вразливими до зміщень і змінних зовнішніх умов.

Втрати ефективності у таких підходах особливо відчутні під час Precise Point Positioning Ambiguity Resolution (PPP-AR), коли умови навколишнього середовища або динаміка руху змінюються. Такі виклики актуалізували нагальну потребу у створенні більш адаптивних і надійних рішень для перевірки неоднозначностей.

9 червня 2025 року в журналі Satellite Navigation (DOI: 10.1186/s43020-025-00167-8) дослідники з Королівської обсерваторії Бельгії та Державної лабораторії точної геодезії Китаю представили новий метод валідації неоднозначностей GNSS, що ґрунтується на алгоритмах опорних векторів (SVM).

Інтегруючи машинне навчання, дослідники поєднали сім діагностичних параметрів — серед яких R-ratio, ADOP, розмірність неоднозначності — у єдину модель, що дало змогу досягнути значно вищої надійності й точності, ніж класичні підходи. Для навчання моделі використали великі масиви даних, а тестування проводили в реальних транспортних експериментах, продемонструвавши суттєву перевагу нового підходу для точного позиціонування.

Ключова новація полягає у поєднанні низки показників у векторній SVM-моделі, а не у використанні монофакторних порогів — це дозволяє враховувати комплексні залежності між параметрами і значно знижує ризик похибок валідації.

У практичних умовах новий підхід забезпечив коректність визначення неоднозначностей на рівні 92%, у той час як стандартний R-ratio-тест досягнув лише 82% в динамічних сценаріях руху. Особливо помітно скоротилося середнє відхилення у прогнозі часу збіжності — новий метод дозволив отримати точність у межах однієї хвилини проти п’яти хвилин для попередніх рішень.

Основні результати роботи:

• Підвищена надійність. SVM-модель динамічно зважує внесок усіх параметрів, що забезпечує стабільніший розв’язок неоднозначності.
• Перевірка на практиці. Тестування на автомобільних маршрутах продемонструвало 92% успішних випадків під час руху, що підтверджує ефективність у змінних реальних умовах.
• Масштабованість. Архітектура придатна як для одиночних, так і для багаточастотних та багатосузір’них GNSS-систем. Попри прогрес, дослідження фіксує близько 5% випадків невирішених неоднозначностей, що відкриває перспективу майбутніх удосконалень із залученням додаткових статистичних шарів (наприклад, даних коваріації).

«Модель SVM стала для нас новою парадигмою у сфері перевірки неоднозначностей», — наголошує співавтор дослідження Цзяньхуей Ген. — «Завдяки машинному навчанню ми досягли кращої точності та одночасно отримали універсальний, масштабований інструмент для різних GNSS-задач — від автономного транспорту до геодезичного моніторингу».

Новий підхід відкриває можливості для секторів, де ультраточне позиціонування визначає успіх: роботизована навігація, аерокосміка, розумна інфраструктура. Зменшення часу збіжності й підвищення надійності в міських або екранованих середовищах дозволить суттєво підвищити практичний потенціал GNSS.

У майбутньому подальше поєднання основної моделі SVM з додатковими наборами даних може зробити крок уперед і зблизити теоретичну точність із показниками у реальному світі — тобто закласти новий стандарт для всієї індустрії GNSS.