🤖 machine learning

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

Este artigo propõe um framework de aprendizado de máquina que utiliza funções de ativação para converter escores de qualidade de sinal previstos em pesos ótimos para posicionamento GNSS por Mínimos Quadrados Ponderados, melhorando significativamente a precisão em ambientes urbanos ao mitigar efetivamente erros de não linha de visada e multipath.

Autores originais: Pin-Hsun Lee, Harry Leib

Publicado 2026-05-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Pin-Hsun Lee, Harry Leib

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Problema: Perder-se no "Cânion de Concreto"

Imagine que você está tentando encontrar o caminho em uma cidade cheia de arranha-céus imponentes e ruas estreitas. Isso é o que os especialistas chamam de "cânion urbano". Quando você usa um GPS nessas áreas, o sinal dos satélites precisa quicar nos prédios antes de chegar ao seu telefone.

Pense nisso como gritar em um cânion. Às vezes, você ouve sua própria voz diretamente (um sinal claro). Outras vezes, você ouve um eco quicando em uma parede (um sinal de "multipath") ou uma voz vindo de uma direção completamente diferente (um sinal de "não linha de visada"). Esses ecos e direções erradas confundem seu GPS, fazendo-o pensar que você está em algum lugar onde não está. Em casos extremos, o erro pode ser de até um quilômetro!

O Jeito Antigo: Jogando Fora os "Vilões"

Tradicionalmente, para corrigir isso, os engenheiros tentavam identificar os sinais "ruins" (os ecos) e simplesmente jogá-los fora. Eles diriam: "Este sinal parece suspeito, ignore-o."

No entanto, há uma pegadinha. Se você jogar fora muitos sinais, não terá "vozes" suficientes para triangular sua posição. É como tentar resolver um quebra-cabeça, mas jogar fora metade das peças; você pode ter uma imagem limpa, mas não consegue terminar o quebra-cabeça de jeito nenhum.

A Nova Solução: Um Sistema Inteligente de Ponderação

Este artigo propõe uma maneira mais inteligente de lidar com o caos. Em vez de apenas jogar os sinais fora, os autores construíram um Framework de Aprendizado de Máquina que atua como um sofisticado "Gerente de Controle de Qualidade".

Veja como funciona, passo a passo:

1. O Trabalho de Detetive (Aprendizado de Máquina)

O sistema usa uma equipe de detetives digitais (chamados algoritmos de Aprendizado de Conjunto como Random Forest e AdaBoost). Esses detetives examinam várias pistas sobre cada sinal de satélite:

Quão alto está no céu? (Ângulos baixos têm maior probabilidade de quicar nos prédios).
Quão forte é o sinal? (Sinais fracos são suspeitos).
A matemática fecha? (Se o sinal diz que você está a 16 km de distância, mas seu relógio diz que você está a 3 km, algo está errado).

Com base nessas pistas, os detetives atribuem a cada sinal uma Pontuação de Qualidade de 0 a 1. Uma pontuação de 1 significa "Confie em mim completamente", e uma pontuação de 0 significa "Estou mentindo".

2. O Tradutor (Funções de Ativação)

Esta é a maior inovação do artigo. O Aprendizado de Máquina dá uma pontuação, mas a calculadora do GPS precisa de um peso (um número que diz a ela o quanto deve ouvir aquele sinal).

Os autores testaram diferentes "tradutores" (chamados Funções de Ativação) para transformar a Pontuação de Qualidade em um Peso.

O Tradutor "Tudo ou Nada": Este é como um porteiro rigoroso. Se um sinal estiver abaixo de certa pontuação, ele é expulso (peso = 0). Se estiver acima, ganha confiança total (peso = 1). O artigo descobriu que isso é muito duro; joga fora muitos sinais, arruinando o quebra-cabeça.
O Tradutor "Linear": Este apenas passa a pontuação adiante diretamente. O problema aqui é que a maioria dos sinais acaba com pontuações muito semelhantes, então o GPS trata todos da mesma forma, o que não ajuda muito.
O Tradutor "Sigmoid" (O Vencedor): Este é a estrela do show. Pense nele como um dimmer em vez de um interruptor liga/desliga.
- Se um sinal for terrível, o dimmer o reduz quase totalmente (peso próximo de zero).
- Se um sinal for ótimo, o dimmer o aumenta totalmente.
- Se um sinal for "ok", ele recebe um peso médio.

O artigo descobriu que essa abordagem Sigmoid é a melhor porque não apenas deleta sinais ruins; ela reduz suavemente o volume deles para que não estraguem o cálculo, mantendo sinais suficientes para resolver o quebra-cabeça.

Os Resultados: Testando em Cidades Reais

Os autores testaram este sistema usando dados reais de duas cidades muito movimentadas: Hong Kong e Tóquio.

O Teste: Eles treinaram o sistema com dados de uma parte da cidade e testaram em outra. Eles até tentaram treinar com dados de Hong Kong e testar em Tóquio.
O Resultado:
- O novo sistema reduziu significativamente os erros de posicionamento em comparação com métodos padrão.
- A função Sigmoid superou consistentemente as outras.
- Transferibilidade Geográfica: Esta é uma descoberta chave. O sistema treinado nos prédios densos e altos de Hong Kong funcionou quase tão bem quando testado nos prédios densos e altos de Tóquio. Isso significa que você não precisa re-treinar o sistema para cada cidade individualmente, desde que a "densidade urbana" seja semelhante.

A Conclusão

O artigo afirma que, ao usar Aprendizado de Máquina para classificar a qualidade do sinal e um "dimmer" matemático específico (a função Sigmoid) para ajustar o quanto o GPS ouve cada sinal, podemos navegar pelos cânions urbanos com muito mais precisão. Não se trata de ignorar os sinais ruins; trata-se de saber exatamente o quanto confiar neles.

Resumo Técnico: Um Framework de Aprendizado de Máquina para Posicionamento GNSS por Mínimos Quadrados Ponderados Baseado em Funções de Ativação

Declaração do Problema
Os Sistemas de Navegação Global por Satélite (GNSS) são críticos para posicionamento, velocidade e temporização (PVT) em aplicações que vão desde o transporte até a agricultura inteligente. No entanto, em ambientes urbanos caracterizados por edifícios altos e ruas estreitas ("cânions urbanos"), os sinais GNSS sofrem com obstrução, recepção sem linha de visada (NLOS) e efeitos de multipath. Esses fenômenos introduzem erros significativos nas medições de pseudodistância, frequentemente excedendo um quilômetro. Embora o GNSS de múltiplas constelações aumente o número de satélites disponíveis, a inclusão de sinais degradados pode exacerbar os erros de posicionamento. Métodos tradicionais que simplesmente excluem sinais degradados podem afetar adversamente a geometria dos satélites, levando a uma maior Diluição da Precisão (DOP). Por outro lado, os métodos padrão de Mínimos Quadrados Ponderados (WLS) frequentemente dependem de esquemas de ponderação simplistas (por exemplo, ângulo de elevação, relação Portadora-Ruído de densidade $C/N_0$ ) que não capturam as relações complexas entre as características do sinal e a qualidade da medição.

Metodologia
Os autores propõem um framework inovador que integra aprendizado de máquina em conjunto com um mecanismo específico de função de ativação para aprimorar o posicionamento WLS. A metodologia prossegue através das seguintes etapas:

Extração de Características: Seis indicadores de qualidade de sinal são extraídos para cada época para servir como características de entrada para o aprendizado de máquina:
- Ângulo de Elevação
- Relação Portadora-Ruído de Densidade ( $C/N_0$ )
- Resíduo de Pseudodistância
- Contribuição GDOP (medindo o impacto de um satélite específico na geometria)
- Consistência da Taxa de Pseudodistância (derivada de desvios Doppler)
- Desvio do Relógio do Receptor Estimado
  Essas características são normalizadas usando padronização Z-score em uma base de época por época.
Treinamento de Aprendizado de Máquina: Algoritmos de aprendizado em conjunto — especificamente Random Forest, AdaBoost e Gradient Boosting — são treinados para classificar a qualidade do sinal.
- Rotulagem: Uma abordagem de aprendizado supervisionado é utilizada onde o subconjunto "melhor" de satélites (a combinação que produz o erro de posicionamento 3D mínimo via Mínimos Quadrados) é rotulado como 1 (boa qualidade), e todos os outros sinais são rotulados como 0.
- Dados de Treinamento: Os modelos são treinados com dados de Hong Kong (ambientes urbanos profundos e hostis) e Tóquio (Shinjuku e Odaiba), com configurações específicas usadas para testar a generalização em diferentes locais geográficos.
Framework de Função de Ativação: A inovação central reside no mapeamento das pontuações de probabilidade previstas pelo aprendizado de máquina (variando de 0 a 1) em pesos para o algoritmo WLS usando funções de ativação. Várias funções foram avaliadas:
- Constante: Serve como linha de base (equivalente a Mínimos Quadrados Ordinários).
- Linear: Mapeia diretamente as pontuações para pesos.
- Degrau Unitário: Limiar rígido (exclui sinais abaixo de um limiar).
- ReLU: Atribui peso zero a pontuações baixas e mapeia linearmente o restante.
- Sigmoid: Uma função de decisão suave que reduz gradualmente os pesos para sinais de baixa qualidade enquanto amplifica os pesos para sinais de alta qualidade, preservando a geometria dos satélites ao evitar a exclusão rígida de sinais marginais.
Cálculo de Posicionamento: Os pesos transformados são aplicados ao algoritmo WLS para calcular a solução final de posição.

Principais Contribuições
O artigo delineia três contribuições primárias:

Avaliação de Qualidade de Sinal: O emprego de três técnicas de aprendizado em conjunto para avaliar a qualidade do sinal GNSS usando um conjunto abrangente de indicadores que refletem erros NLOS/multipath e geometria de satélite.
Framework de Função de Ativação: A introdução de um framework inovador que utiliza funções de ativação para converter pontuações de qualidade de aprendizado de máquina em pesos WLS. O estudo avalia sistematicamente várias funções para identificar a ótima para minimizar erros de posicionamento 3D.
Validação de Transferibilidade Geográfica: A validação do algoritmo usando conjuntos de dados do mundo real de Hong Kong e Tóquio, demonstrando eficácia em cenários de constelação única e múltipla e avaliando a capacidade do modelo de generalizar entre diferentes ambientes urbanos.

Resultados Experimentais
Experimentos foram conduzidos usando o conjunto de dados de código aberto UrbanNav, comparando configurações apenas GPS, apenas BeiDou e GPS+BeiDou.

Desempenho do Algoritmo: Entre os modelos de aprendizado de máquina, o AdaBoost demonstrou consistentemente a melhor generalização, alcançando a maior precisão de teste com mínimo overfitting em comparação com Random Forest e Gradient Boosting.
Eficácia da Função de Ativação: A função Sigmoid superou consistentemente outras funções de ativação (incluindo ReLU e Degrau Unitário). Ela proporcionou a maior melhoria na precisão de posicionamento ao suprimir efetivamente sinais de baixa qualidade, mantendo ao mesmo tempo um conjunto diversificado de satélites para preservar a geometria.
Precisão de Posicionamento (Dados de Hong Kong):
- Para posicionamento apenas GPS, a abordagem "AdaBoost + Sigmoid" reduziu o Erro Quadrático Médio (RMSE) 3D em 75,52% em relação à linha de base (função Constante), trazendo o erro para dentro de 24,48% do "melhor conjunto" teórico (o subconjunto ótimo de satélites).
- Para posicionamento GPS+BeiDou, a mesma abordagem melhorou o RMSE 3D em 53,78% sobre a linha de base, reduzindo a lacuna para o melhor conjunto para 46,22%.
Transferibilidade Geográfica:
- Quando modelos treinados com dados de Odaiba (suburbano/aberto) foram testados em dados de Shinjuku (urbano denso), as melhorias de desempenho foram modestas (62,02% de distância do melhor conjunto) devido ao desajuste ambiental.
- No entanto, quando modelos treinados com dados de Hong Kong (urbano denso) foram testados em dados de Shinjuku, o desempenho melhorou significativamente (54,21% de distância do melhor conjunto). Isso indica que o algoritmo exibe forte transferibilidade geográfica, desde que os ambientes de treinamento e teste compartilhem níveis semelhantes de urbanização.

Significado e Alegações
O artigo afirma que o framework proposto oferece uma solução robusta para o posicionamento GNSS em ambientes urbanos desafiadores sem exigir a exclusão de satélites, o que frequentemente degrada a geometria. O estudo enfatiza que:

Ponderação Suave é Superior: O uso de funções de ativação sigmoid permite uma rejeição "suave" de sinais degradados, o que é mais eficaz do que métodos de exclusão rígida (como Degrau Unitário ou ReLU) em manter a geometria dos satélites enquanto ainda mitiga erros.
Generalização via Similaridade Urbana: O algoritmo não requer dados de treinamento específicos de localização para cada novo local. Em vez disso, um modelo treinado com dados de um ambiente com nível semelhante de urbanização (por exemplo, de Hong Kong para Tóquio) pode ser aplicado efetivamente a outros locais, reduzindo a necessidade de coleta extensiva de conjuntos de dados específicos de local.
Sinergia de Múltiplas Constelações: Embora o GNSS de múltiplas constelações aumente a disponibilidade de sinais, isso não garante automaticamente maior precisão se sinais degradados forem incluídos. A abordagem ponderada por ML proposta é necessária para realizar os benefícios dos sistemas de múltiplas constelações em cânions urbanos.

Os autores concluem que, embora os resultados atuais sejam substanciais, trabalhos futuros poderiam envolver a integração deste framework com Sistemas de Navegação Inercial (INS) e a exploração da seleção adaptativa de parâmetros de função de ativação com base na qualidade do sinal em tempo real.