3D Gaussian Distribution and RGB Reconstruction (3DGS-RGB) based GNSS Multipath Detection — Part II: From Statistical-Space Ellipsoids to RGB Color Space Features

Sintesi Tecnica: Distribuzione Gaussiana 3D e Ricostruzione RGB (3DGS-RGB) per il rilevamento del Multipath GNSS — Parte II

Definizione del Problema
Il posizionamento GNSS (Global Navigation Satellite System) in ambienti urbani è gravemente degradato dagli effetti multipath, che distorcono la funzione di autocorrelazione (ACF) e introducono errori di tracciamento. Mentre la Parte I di questo lavoro ha stabilito un rigoroso quadro statistico utilizzando un modello di ellissoide di equiprobabilità gaussiano 3D per il vettore di correlazione normalizzato dei rami Early (E), Prompt (P) e Late (L) della branca Q, la scalarizzazione di questo vettore 3D in un singolo statistico ellissoidale comprime i pattern angolari e delle componenti relative. Questa compressione riduce la sensibilità nelle regioni critiche dei parametri, in particolare quando i ritardi di codice relativi si avvicinano a 0 o 1,5 chip, le rotazioni di fase si avvicinano a 0° o 180°, o i rapporti segnale-rumore ($C/N_0$) sono bassi. Gli esistenti metodi basati sull'apprendimento spesso mancano di relazioni quantitative chiare tra le caratteristiche apprese e i parametri fisici del multipath. Questo articolo affronta la necessità di una rappresentazione intermedia interpretabile che mantenga il rigore statistico della Parte I, esponendo al contempo caratteristiche complementari adatte per l'avanzato rilevamento e potenziali applicazioni di machine learning.

Metodologia
L'articolo propone una mappatura lineare del vettore di correlazione E/P/L della branca Q normalizzato dallo dominio statistico allo spazio colore Red, Green e Blue (RGB). Questa trasformazione tratta il vettore di correlazione come un punto in un nuovo sistema di coordinate ortogonali (R, G, B), preservando l'informazione originale senza aggiungere dati esterni.

1. Mappatura Lineare: I valori di correlazione normalizzati sono mappati in coordinate RGB tramite una trasformazione lineare basata sul criterio $3\sigma$ per adattarsi all'intervallo a 8 bit (0–255). Sebbene le derivazioni teoriche utilizzino uno spazio lineare esteso per evitare artefatti di clipping, il rilevamento pratico utilizza valori troncati (clipped).
2. Estrazione delle Caratteristiche: Dalla rappresentazione RGB, vengono estratte tre attributi di colore interpretabili:
   • Value (V): Rappresenta la magnitudo dominante del canale (luminosità).
   • Saturation (S): Descrive il contrasto o la dispersione tra i canali R, G e B.
   • Hue (H): Caratterizza la composizione angolare e i rapporti relativi dei canali.
3. Derivazione delle Soglie:
   • V e S: L'articolo deriva limiti superiori e inferiori in forma chiusa per $V$ e $S$ basati sulla soglia di rilevamento di Neyman–Pearson ($\gamma_{GS}$) stabilita nella Parte I. Questi limiti definiscono l'intervallo teorico di tali caratteristiche sotto le ipotesi di Line-of-Sight (LOS) e multipath. I rilevatori pratici utilizzano i limiti superiori basati sulla LOS come soglie decisionali a lato singolo.
   • H: Poiché l'hue è una variabile angolare nell'intervallo $[0, 2\pi)$, un limite di intervallo in forma chiusa non può essere derivato direttamente da $\gamma_{GS}$. Invece, l'articolo analizza le funzioni di densità di probabilità dell'hue sotto condizioni di LOS e multipath. Costruisce uno statistico di rapporto di probabilità illustrativo ($T_H$) basato sulle probabilità dei quadranti per convertire la distribuzione dell'hue in una variabile decisionale.

Contributi Chiave

1. Rappresentazione RGB: Stabilimento di una rappresentazione cromatica RGB lineare per il vettore di correlazione E/P/L della branca Q normalizzato, colmando il divario tra il modello ellissoidale dello spazio statistico (Parte I) e la rappresentazione delle caratteristiche dello spazio colore.
2. Caratteristiche Interpretabili: Formulazione di Value ($V$), Saturation ($S$) e Hue ($H$) come funzioni deterministiche del vettore di correlazione mappato, caratterizzando rispettivamente la magnitudo del canale, il contrasto e la composizione angolare.
3. Limiti Teorici: Derivazione di limiti in forma chiusa basati su LOS e multipath direttamente dallo statistico $\gamma_{GS}$ per $V$ e $S$. Per $H$, la costruzione di uno statistico di rapporto di probabilità e del suo limite basato sulle distribuzioni dell'hue.
4. Validazione: Verifica completa delle relazioni teoriche attraverso simulazioni Monte Carlo, dati di riproduzione urbana Spirent Sim3D e dati di test sul campo dinamici raccolti in un ambiente urbano denso (Lujiazui, Shanghai).

Risultati

• Consistenza del Modello: Le simulazioni Monte Carlo hanno confermato che i limiti teorici per $V$ e $S$ si allineano strettamente con i dati simulati attraverso vari livelli di $C/N_0$. Anche il modello teorico della distribuzione dell'hue ha mostrato un elevato overlap (OVL > 0,9) con le distribuzioni simulate per la maggior parte dei parametri multipath, in particolare riguardo all'attenuazione dell'energia e al $C/N_0$.
• Performance di Rilevamento:
  • Il rilevatore basato su V ha esibito pattern di performance simili al rilevatore originale nel dominio statistico ($\gamma_{GS}$), preservando la sensibilità agli effetti di traslazione.
  • Il rilevatore basato su S ha mostrato una regione di alto rilevamento più stretta, poiché la normalizzazione di tipo rapporto ha soppresso l'informazione di traslazione assoluta utile per il multipath debole.
  • Lo statistico basato su H ha dimostrato una sensibilità superiore nelle regioni in cui altri rilevatori faticavano, specificamente sotto multipath a breve ritardo e piccole rotazioni di fase. Nelle simulazioni Spirent e nei test sul campo che coinvolgevano percorsi riflessi brevi (circa 0,05–0,06 chip), il rilevatore basato sull'hue ha fornito il match qualitativo più chiaro con le etichette di ground-truth, rilevando segmenti di multipath che lo statistico ellissoidale scalare aveva mancato.
• Validazione sul Campo: I test dinamici sul campo in un canyon urbano hanno confermato che la variazione temporale della caratteristica $H$ rimane qualitativamente coerente con il comportamento simulato, spostandosi dall'aspettativa centrata sulla LOS ($\pi$) verso la regione concentrata nel multipath ($\pi$ fino a $3\pi/2$).

Significato e Rivendicazioni
L'articolo sostiene di aver stabilito un "ponte interpretabile" dagli ellissoidi dello spazio statistico alle caratteristiche dello spazio colore RGB. Il suo significato primario risiede nel fornire una base teorica per future analisi del multipath basate su immagini e apprendimento, senza sacrificare l'interpretabzza fisica del modello nel dominio della correlazione.

Gli autori posizionano con modestia lo statistico basato sull'hue ($T_H$) non come un rilevatore ottimizzato, ma come un esempio che dimostra come le caratteristiche distributive dello spazio colore possano essere convertite in variabili decisionali. Il lavoro evidenzia che la rappresentazione RGB preserva l'interpretazione del dominio statistico offrendo al contempo caratteristiche complementari, in particolare la distribuzione dell'hue, che è sensibile agli effetti del multipath a breve ritardo, spesso indistinguibili utilizzando solo gli statistici ellissoidali scalari. Questo framework supporta estensioni future, come la costruzione di rappresentazioni colore-tempo per applicazioni di machine learning nell'inversione dei parametri del multipath e nella modellazione dell'ambiente di propagazione.