機械学習を利用したGNSSのインテグリティ予測

点击翻译按钮获取中文摘要

2021年度に作成したRTK測位におけるLOS(Line-On-Site)衛星とNLOS(Non-Line-On-Site)衛星の識別シミュレーションプログラムについてRTK測位の予測性能を改善するために改修を行った。まず3Dマップをより精密かつ最新のLOD2モデルへとアップグレードした。3Dマップには2021年度と同様PLATEAU Projectのモデルを使用している。2021年度段階ではRay-Casting法を用いた単純なLOS/NLOS判別だったが、Ray-Launching法を導入してRTKをFixさせにくくするマルチパスを発生させるNLOS衛星を識別する機能を追加した。また、先行研究をもとにLOSの中でも見通しでの観測が継続している衛星数をカウントする機能を追加した。これにより部分的にRTK可否の予測精度が向上・安定した。シミュレーション結果を用いたRTK性能予測では教師データとして実際の車両による走行計測データを追加で取得し、全部で7個の走行データを用いて予測手法の検証・改良を行った。RTK測位結果の予測にはk-NNとLogistic Regressionの２つの機械学習手法を使用しているが、これについて交差検証手法を用いて2つのアルゴリズムの妥当性を明確にした。具体的にはROC(Receiver Operating Characteristic）曲線の作成とAUC(Area Under Curve)の算出で予測性能を評価した。また、近年LEO（低軌道衛星）を用いた測位手法の検討が盛んなことから、本研究手法を応用してLEOを測位衛星として使用できた場合に都市部でRTK測位性能がどのように向上するかを検討を行っている。