技術要約：都市部における最適化されたHAPS支援型測位のためのメタヒューリスティック・フレームワーク

問題定義

成層圏（18〜22 km）で運用される高高度プラットフォーム（HAPS）は、GNSSを補完するための構造化された信号の機会（SoOP）を提供する。HAPSは良好な見通し内（LOS）条件と高い仰角を備えている一方で、高密度の都市環境は深刻な信号遮蔽と非見通し内（NLOS）条件をもたらし、GNSSの精度を低下させる。幾何学的精度低下率（GDOP）のみに基づく従来の配置戦略は、これらの実用的な障害を考慮できていない。

核心となる課題は、マルチモーダル・マルチオブジェクティブ最適化問題（MMOP）である。すなわち、関心領域（ROI）における平均3D位置誤差境界（PEB）を最小化することと、インフラコスト（HAPS数）を最小化することを同時に行う、最適な数および空間的配置を決定することである。この問題は以下の特性を持つ：

• 離散変数： HAPS数は整数である。
• 非凸性： 目的関数は、3D都市モデルから導出される複雑で環境依存的なLOS/NLOS条件に依存する。
• 非微分可能性： 非凸制約の厳密な緩和を保証できないため、従来の閉形式または凸最適化手法は適用不可能であるか、あるいは劣最適解をもたらす。

手法

著者らは、高精度シミュレーションと3つの異なる最適化アルゴリズムを統合したメタヒューリスティック・フレームワークを提案している。

1. システムモデルおよびシミュレーション・フレームワーク

• 3D都市モデリング： 詳細な3D都市モデル（ウォール街、陸家嘴、カルガリー・ダウンタウンなど）を利用してROIを定義する。
• レイトレーシングとスカイライン・マスク： 計算量を管理するため、レイトレーシングを用いて、候補となる受信機位置ごとに事前計算された「スカイライン・マスク」を生成する。これにより、最適化ループ中にレイトレーシングを再実行することなく、信号をLOSまたはNLOSとして分類する。
• 誤差モデリング： マルチパスやNLOS効果によるヘビーテイル（厚い裾）およびマルチモーダルな分布を考慮するため、擬似距離誤差をガウス混合モデル（GMM）を用いてモデリングする。4つのシナリオ（ベースライン、極端な反射、極端なNLOS、低価格受信機）についてテストを行う。
• 目的関数： 最適化では、(1) 全シデリアル日（恒星日）にわたる平均3D PEB（クラメール・ラオの下限（CRLB）を介して算出）と、(2) HAPS数の2つを最小化する。

2. メタヒューリスティック・アルゴリズム

これら3つのアルゴリズムは、離散的なHAPS数と非凸な探索空間を扱うために適応されている：

• ASDNSGA-II (Adaptive Special-Crowding Distance NSGA-II)： 決定空間と目的空間の両方を考慮した特殊混雑距離（SCD）を導入したNSGA-IIの拡張版である。適応型クロスオーバー機構（シミュレーテッド・バイナリ・クロスオーバーとブレンド・クロスオーバーの切り替え）と、真のパレート集合が未知であるためのヒューリスティックなクロスオーバー型割り当てを採用している。
• NSGA-III： 本来は多目的最適化向けに設計されており、混雑距離の代わりに参照点ベースの選択戦略（垂直距離）を使用する。ASDNSGA-IIと同様の適応型クロスオーバーおよびヒューリスティックな割り当て戦略を取り入れ、公平な比較を確保するために修正されている。
• MOPSO (Multi-Objective Particle Swarm Optimization)： 更新時に一貫性を保つため、HAPS数によって非劣解をグループ化する層化アーカイブ更新メカニメントを用いて修正されている。また、離散決定空間における多様性を高めるために多項式変異を採用している。

3. 主要なアルゴリズム修正

• 決定空間の多様性： 標準的な混雑距離は、変数のカーディナリティ（濃度）が異なる場合には不十分である。著者らは、異なるHAPS数を持つ解の間で多様性を公平に評価するために、**集約最近傍距離（ANND）**メトリックを提案している。
• ヒューリスティック・クロスオーバー割り当て： 真のパレート集合への依存を避け、解のランクと混雑距離に基づいてクロスオーバータイプを選択する戦略を開発した。
• 層化アーカイブ (MOPSO)： パーティクル、そのパーソナルベスト、およびリーダーが、更新中に一貫したHAPS数を維持することを保証する。

主な貢献

1. 新規な最適化問題： 実用的な制約（PEB閾値、高度、仰角）の下での、HAPS数と配置の結合最適化問題の定式化。
2. 高精度フレームワーク： 衛星軌道伝播、3D都市モデル、レイトレーシングに基づくLOS/NLOS分類、およびGMMベースの誤差モデリングを統合したシミュレーション環境の開発。
3. アルゴリズムの適応： 離散的かつ非凸な探索空間をナビゲート可能な、3つのカスタマイズされたメタヒューリスティック解（ASDNSGA-II、NSGA-III、MOPSO）の開発。
4. 多様性メトリック： 異なるHAPS数を持つ解を評価するための、ANNDに基づく決定空間の混雑距離手法の提案。
5. ヒューリスティック戦略： 方法論的一貫性と多様性を維持するための、ASDNSGA-IIに対するヒューリスティック・クロスオーバー型割り当て、およびNSGA-IIIに対する適応型垂直距離閾値の導入。

結果

本フレームワークは、3つの都市領域（ニューヨーク、上海、カルガリー）と4つの誤差シナリオにわたって評価された。

• ベースラインとの比較： 3つのメタヒューリスティック・アルゴリズムすべてが、Greedy-Add（フィンガープリンティングに基づく逐次選択法）ベースラインを一貫して上回った。これは、特に低〜中程度のHAPS数（2〜6基）の領域において顕著であった。
• 最適構成： テストされた高密度都市シナリオにおいて、18メートルの平均3D PEB閾値を満たすには、4基のHAPSで十分であることが判明した。
• 定量的利得： 衛星のみのシステムと比較して、2〜5基のHAPSを用いた構成では以下を実現した：
  • 平均および平方根平均二乗誤差（RMS）PEBの50%以上の削減。
  • 標準偏差（STD）の最大94%削減。
  • 変動係数（CV）の最大87%削減。
• 収穫逓減： 6基を超えると、幾何学的な冗長性と配置の重複により、性能向上が鈍化した。これは、プラットフォームを追加しても追加の利益が限定的であることを示している。
• 堅牢性： 本フレームワークは、変化するGMMパラメータ（異なる都市伝搬条件をシミュレート）および異なる都市形態に対して強い堅牢性を示した。
• GDOPの限界： 都市部においては、GDOPのみを最小化することは不十分であることを本研究は強調している。なぜなら、GDOPは環境依存の遮蔽を捉えられないためである。最適化された配置は、純粋な幾何学的解とは異なることが多い。
• 実行時間： Greedy-Addベースラインが高性能クラスターで約26時間を要したのに対し、メタヒューリスティック・アプローチは、標準的なPC上のウォール街のシミュレーションにおいて、同等またはより優れた解の品質を大幅に短い時間（約1時間）で達成した。

意義および主張

本論文は、現実的な都市環境におけるHAPS支援型測位のための効果的かつスケーラブルなソリューションを確立したと主張している。その主な意義は以下の通りである：

• 幾何学を超えて： 実用的な都市制約（遮蔽、NLOS）により、従来のGDOPのような幾何学的指標を超えた最適化フレームワークが必要であることを実証した。
• 効率性： メタヒューリスティック・アプローチが、複雑で非凸な設計空間を効率的にナビゲートし、全探索や貪欲法よりも少ないリソースで準最適（near-optimal）な構成を見つけられることを証明した。
• 実用的展開： 戦略的に配置された少数のHAPS（例：4基）が、インフラコストとのバランスを取りつつ、GNSSの信頼性を大幅に向上させることができるという、実行可能な洞察を提供している。

著者らは、メタヒューリスティックの性質上、グローバルな最適性が保証できないことを認めつつも、控えめなトーンを維持しており、提案された解が高品質であり、多様な条件下で堅牢であることを強調している。今後の課題として、マルチコンステレーションGNSS、動的な受信機軌跡、および干渉や電力予算などの実用的なシステム制約への拡張が示唆されている。