🤖 machine learning

A Machine Learning Framework for Weighted Least Squares GNSS Positioning based on Activation Functions

Ce papier propose un cadre d'apprentissage automatique qui utilise des fonctions d'activation pour convertir des scores de qualité de signal prédits en poids optimaux pour le positionnement GNSS par moindres carrés pondérés, améliorant considérablement la précision dans les environnements urbains en atténuant efficacement les erreurs de non-visibilité directe et de trajets multiples.

Auteurs originaux : Pin-Hsun Lee, Harry Leib

Publié 2026-05-21

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Pin-Hsun Lee, Harry Leib

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : Se perdre dans le « Canyon de Béton »

Imaginez que vous essayez de vous repérer dans une ville remplie d'immeubles de grande hauteur et de rues étroites. C'est ce que les experts appellent un « canyon urbain ». Lorsque vous utilisez un GPS dans ces zones, le signal des satellites doit rebondir sur les bâtiments avant d'atteindre votre téléphone.

Pensez-y comme à crier dans un canyon. Parfois, vous entendez votre propre voix directement (un signal clair). D'autres fois, vous entendez un écho rebondissant sur un mur (un signal « multipath ») ou une voix provenant d'une direction totalement différente (un signal « non-line-of-sight »). Ces échos et ces directions erronées confondent votre GPS, le faisant croire que vous vous trouvez à un endroit où vous n'êtes pas. Dans les cas extrêmes, l'erreur peut atteindre un kilomètre !

L'Ancienne Méthode : Jeter les Mauvais Gars

Traditionnellement, pour résoudre ce problème, les ingénieurs tentaient d'identifier les signaux « mauvais » (les échos) et de simplement les jeter. Ils disaient : « Ce signal semble suspect, ignore-le. »

Cependant, il y a un piège. Si vous jetez trop de signaux, il ne vous reste pas assez de « voix » pour trianguler votre position. C'est comme essayer de résoudre un puzzle en jetant la moitié des pièces ; vous pourriez avoir une image propre, mais vous ne pourrez pas du tout terminer le puzzle.

La Nouvelle Solution : Un Système de Pondération Intelligent

Ce document propose une méthode plus intelligente pour gérer ce chaos. Au lieu de simplement jeter les signaux, les auteurs ont construit un Cadre d'Apprentissage Automatique qui agit comme un « Responsable du Contrôle Qualité » sophistiqué.

Voici comment cela fonctionne, étape par étape :

1. Le Travail d'Enquête (Apprentissage Automatique)

Le système utilise une équipe d'enquêteurs numériques (appelés algorithmes d'Apprentissage par Ensemble comme Random Forest et AdaBoost). Ces enquêteurs examinent plusieurs indices concernant chaque signal satellite :

À quelle hauteur est-il dans le ciel ? (Les angles bas sont plus susceptibles de rebondir sur les bâtiments).
Quelle est la puissance du signal ? (Les signaux faibles sont suspects).
Les mathématiques sont-elles cohérentes ? (Si le signal indique que vous êtes à 10 miles, mais que votre horloge indique que vous êtes à 2 miles, quelque chose ne va pas).

Sur la base de ces indices, les enquêteurs attribuent à chaque signal une Note de Qualité allant de 0 à 1. Une note de 1 signifie « Faites-moi entièrement confiance », et une note de 0 signifie « Je mens ».

2. Le Traducteur (Fonctions d'Activation)

C'est la plus grande innovation du document. L'apprentissage automatique attribue une note, mais la calculatrice du GPS a besoin d'un poids (un nombre qui lui indique dans quelle mesure écouter ce signal).

Les auteurs ont testé différents « traducteurs » (appelés Fonctions d'Activation) pour transformer la Note de Qualité en un Poids.

Le Traducteur « Tout ou Rien » : C'est comme un videur strict. Si un signal est en dessous d'un certain score, il est éjecté (poids = 0). S'il est au-dessus, il obtient une confiance totale (poids = 1). Le document a constaté que cela est trop dur ; cela jette trop de signaux, gâchant le puzzle.
Le Traducteur « Linéaire » : Il transmet simplement le score directement. Le problème ici est que la plupart des signaux finissent avec des scores très similaires, donc le GPS les traite tous de la même manière, ce qui n'aide pas beaucoup.
Le Traducteur « Sigmoïde » (Le Gagnant) : C'est la star du spectacle. Imaginez cela comme un variateur plutôt qu'un interrupteur marche/arrêt.
- Si un signal est terrible, le variateur l'éteint presque complètement (poids proche de zéro).
- Si un signal est excellent, le variateur l'allume à fond.
- Si un signal est « correct », il lui attribue un poids moyen.

Le document a constaté que cette approche Sigmoïde est la meilleure car elle ne se contente pas de supprimer les mauvais signaux ; elle baisse doucement leur volume afin qu'ils ne gâchent pas le calcul, tout en conservant suffisamment de signaux pour résoudre le puzzle.

Les Résultats : Tests dans de Villes Réelles

Les auteurs ont testé ce système en utilisant de vraies données provenant de deux villes très animées : Hong Kong et Tokyo.

Le Test : Ils ont entraîné le système sur des données d'une partie de la ville et l'ont testé sur une autre. Ils ont même essayé d'entraîner le système avec des données de Hong Kong et de le tester à Tokyo.
Le Résultat :
- Le nouveau système a considérablement réduit les erreurs de positionnement par rapport aux méthodes standard.
- La fonction Sigmoïde a constamment surpassé les autres.
- Transférabilité Géographique : C'est une découverte clé. Le système entraîné sur les bâtiments denses et hauts de Hong Kong a fonctionné presque aussi bien lorsqu'il a été testé dans les bâtiments denses et hauts de Tokyo. Cela signifie que vous n'avez pas besoin de réentraîner le système pour chaque ville, tant que la « densité urbaine » est similaire.

La Conclusion

Le document affirme qu'en utilisant l'apprentissage automatique pour évaluer la qualité du signal et un « variateur » mathématique spécifique (la fonction Sigmoïde) pour ajuster la mesure dans laquelle le GPS écoute chaque signal, nous pouvons naviguer dans les canyons urbains beaucoup plus précisément. Il ne s'agit pas d'ignorer les mauvais signaux, mais de savoir exactement dans quelle mesure leur faire confiance.

Résumé technique : Un cadre d'apprentissage automatique pour le positionnement GNSS par moindres carrés pondérés basé sur des fonctions d'activation

Énoncé du problème
Les systèmes globaux de navigation par satellite (GNSS) sont essentiels pour le positionnement, la vitesse et le temps (PVT) dans des applications allant du transport à l'agriculture intelligente. Cependant, dans les environnements urbains caractérisés par des immeubles de grande hauteur et des rues étroites (« canyons urbains »), les signaux GNSS subissent des obstructions, des réceptions non en visibilité directe (NLOS) et des effets de trajets multiples. Ces phénomènes introduisent des erreurs significatives dans les mesures de pseudo-distance, dépassant souvent un kilomètre. Bien que le GNSS multi-constellations augmente le nombre de satellites disponibles, l'inclusion de signaux dégradés peut exacerber les erreurs de positionnement. Les méthodes traditionnelles qui excluent simplement les signaux dégradés peuvent affecter négativement la géométrie des satellites, conduisant à une dilution de la précision (DOP) plus élevée. À l'inverse, les méthodes standard de moindres carrés pondérés (WLS) reposent souvent sur des schémas de pondération simplistes (par exemple, l'angle d'élévation, le rapport porteur sur densité de bruit $C/N_0$ ) qui ne parviennent pas à capturer les relations complexes entre les caractéristiques du signal et la qualité de la mesure.

Méthodologie
Les auteurs proposent un cadre novateur qui intègre l'apprentissage automatique ensembliste avec un mécanisme spécifique de fonction d'activation pour améliorer le positionnement WLS. La méthodologie se déroule selon les étapes suivantes :

Extraction de caractéristiques : Six indicateurs de qualité de signal sont extraits pour chaque epoch afin de servir de caractéristiques d'entrée pour l'apprentissage automatique :
- Angle d'élévation
- Rapport porteur sur densité de bruit ( $C/N_0$ )
- Résidu de pseudo-distance
- Contribution GDOP (mesurant l'impact d'un satellite spécifique sur la géométrie)
- Cohérence du taux de pseudo-distance (dérivée des décalages Doppler)
- Décalage d'horloge estimé du récepteur
  Ces caractéristiques sont normalisées par une standardisation Z-score sur une base par epoch.
Entraînement de l'apprentissage automatique : Des algorithmes d'apprentissage ensembliste — spécifiquement Random Forest, AdaBoost et Gradient Boosting — sont entraînés pour classifier la qualité du signal.
- Étiquetage : Une approche d'apprentissage supervisé est utilisée où le sous-ensemble « meilleur » de satellites (la combinaison produisant l'erreur de positionnement 3D minimale via les moindres carrés) est étiqueté 1 (bonne qualité), et tous les autres signaux sont étiquetés 0.
- Données d'entraînement : Les modèles sont entraînés sur des données provenant de Hong Kong (environnements urbains profonds et hostiles) et de Tokyo (Shinjuku et Odaiba), avec des configurations spécifiques utilisées pour tester la généralisation à travers différents emplacements géographiques.
Cadre de fonction d'activation : L'innovation centrale réside dans la cartographie des scores de probabilité prédits par l'apprentissage automatique (variant de 0 à 1) en poids pour l'algorithme WLS à l'aide de fonctions d'activation. Plusieurs fonctions ont été évaluées :
- Constante : Sert de référence (équivalente aux moindres carrés ordinaires).
- Linéaire : Mappe directement les scores en poids.
- Échelon unitaire : Seuilage rigide (exclut les signaux en dessous d'un seuil).
- ReLU : Attribue un poids nul aux scores faibles et mappe linéairement le reste.
- Sigmoïde : Une fonction de décision douce qui réduit progressivement les poids pour les signaux de mauvaise qualité tout en amplifiant les poids pour les signaux de haute qualité, préservant ainsi la géométrie des satellites en évitant l'exclusion rigide des signaux marginaux.
Calcul de positionnement : Les poids transformés sont appliqués à l'algorithme WLS pour calculer la solution de position finale.

Contributions principales
L'article expose trois contributions principales :

Évaluation de la qualité du signal : L'utilisation de trois techniques d'apprentissage ensembliste pour évaluer la qualité du signal GNSS en utilisant un ensemble complet d'indicateurs reflétant les erreurs NLOS/trajets multiples et la géométrie des satellites.
Cadre de fonction d'activation : L'introduction d'un cadre novateur qui utilise des fonctions d'activation pour convertir les scores de qualité de l'apprentissage automatique en poids WLS. L'étude évalue systématiquement diverses fonctions pour identifier celle qui est optimale pour minimiser les erreurs de positionnement 3D.
Validation de la transférabilité géographique : La validation de l'algorithme à l'aide de jeux de données réels de Hong Kong et de Tokyo, démontrant son efficacité dans des scénarios à constellation unique et multi-constellations, et évaluant la capacité du modèle à se généraliser à travers différents environnements urbains.

Résultats expérimentaux
Des expériences ont été menées en utilisant le jeu de données open-source UrbanNav, comparant les configurations GPS uniquement, BeiDou uniquement et GPS+BeiDou.

Performance de l'algorithme : Parmi les modèles d'apprentissage automatique, AdaBoost a constamment démontré la meilleure généralisation, atteignant la plus haute précision de test avec un surajustement minimal par rapport à Random Forest et Gradient Boosting.
Efficacité de la fonction d'activation : La fonction Sigmoïde a constamment surpassé les autres fonctions d'activation (y compris ReLU et Échelon unitaire). Elle a fourni la plus grande amélioration de la précision de positionnement en supprimant efficacement les signaux de mauvaise qualité tout en maintenant un ensemble diversifié de satellites pour préserver la géométrie.
Précision de positionnement (données de Hong Kong) :
- Pour le positionnement GPS uniquement, l'approche « AdaBoost + Sigmoïde » a réduit l'erreur quadratique moyenne (RMSE) 3D de 75,52 % par rapport à la référence (fonction constante), ramenant l'erreur à 24,48 % de l'« ensemble meilleur » théorique (le sous-ensemble optimal de satellites).
- Pour le positionnement GPS+BeiDou, la même approche a amélioré la RMSE 3D de 53,78 % par rapport à la référence, réduisant l'écart avec l'ensemble meilleur à 46,22 %.
Transférabilité géographique :
- Lorsque des modèles entraînés sur des données Odaiba (banlieue/ouvert) ont été testés sur des données Shinjuku (urbain dense), les améliorations de performance ont été modestes (62,02 % d'écart par rapport à l'ensemble meilleur) en raison du décalage environnemental.
- Cependant, lorsque des modèles entraînés sur des données Hong Kong (urbain dense) ont été testés sur des données Shinjuku, la performance s'est améliorée de manière significative (54,21 % d'écart par rapport à l'ensemble meilleur). Cela indique que l'algorithme présente une forte transférabilité géographique à condition que les environnements d'entraînement et de test partagent des niveaux d'urbanisation similaires.

Signification et affirmations
L'article affirme que le cadre proposé offre une solution robuste pour le positionnement GNSS dans des environnements urbains difficiles sans nécessiter l'exclusion de satellites, ce qui dégrade souvent la géométrie. L'étude souligne que :

La pondération douce est supérieure : L'utilisation de fonctions d'activation sigmoïde permet un rejet « doux » des signaux dégradés, ce qui est plus efficace que les méthodes d'exclusion rigide (comme Échelon unitaire ou ReLU) pour maintenir la géométrie des satellites tout en atténuant toujours les erreurs.
Généralisation via la similarité urbaine : L'algorithme ne nécessite pas de données d'entraînement spécifiques à chaque nouvel emplacement. Au lieu de cela, un modèle entraîné sur des données d'un environnement avec un niveau d'urbanisation similaire (par exemple, de Hong Kong à Tokyo) peut être appliqué efficacement à d'autres endroits, réduisant ainsi le besoin de collecte extensive de jeux de données spécifiques au site.
Synergie multi-constellations : Bien que le GNSS multi-constellations augmente la disponibilité des signaux, il ne garantit pas automatiquement une précision supérieure si des signaux dégradés sont inclus. L'approche pondérée par ML proposée est nécessaire pour réaliser les avantages des systèmes multi-constellations dans les canyons urbains.

Les auteurs concluent que, bien que les résultats actuels soient substantiels, les travaux futurs pourraient impliquer l'intégration de ce cadre avec des systèmes de navigation inertielle (INS) et l'exploration d'une sélection adaptative des paramètres de fonction d'activation basée sur la qualité du signal en temps réel.