ในหุบเขาในเมืองของมหานครสมัยใหม่แหล่งที่มาที่โดดเด่นของข้อผิดพลาดในการระบุตําแหน่ง GNSS ไม่ใช่ความล่าช้าในบรรยากาศการชดเชยนาฬิกาดาวเทียมหรือความไม่ถูกต้องของอีฟีเมอริส มันคือหลายเส้นทาง. เมื่อสัญญาณดาวเทียมสะท้อนจากอาคารยานพาหนะและทางเท้าก่อนที่จะไปถึงเสาอากาศรับแบบจําลองที่ล่าช้าที่เกิดขึ้นจะทําให้กระบวนการสหสัมพันธ์เสียหายและทําให้เกิดอคติของตําแหน่งที่อาจเกิน 10 เมตรในกรณีที่รุนแรง
สําหรับการใช้งานที่ต้องการความแม่นยําระดับเซนติเมตรการรักษาช่องทางเดินรถอัตโนมัติการนําทางด้วยโดรนส่งและการสํารวจที่แม่นยําการบรรเทาหลายเส้นทางไม่ใช่การเพิ่มประสิทธิภาพ แต่เป็นข้อกําหนดพื้นฐาน บทความนี้จะตรวจสอบฟิสิกส์ของการแพร่กระจายแบบหลายเส้นทาง เทคนิคการบรรเทาผลกระทบแบบคลาสสิก และอัลกอริทึมรุ่นต่อไปที่ผลักดันความแม่นยําในการระบุตําแหน่งในเมืองไปสู่ขีดจํากัดใหม่
ฟิสิกส์ของ Urban Multipath
หลายเส้นทางเกิดขึ้นเมื่อสัญญาณ GNSS มาถึงเครื่องรับผ่านหลายเส้นทาง: เส้นทางสายตาโดยตรงและเส้นทางสะท้อนอย่างน้อยหนึ่งเส้นทาง ในสภาพแวดล้อมในเมือง พื้นผิวสะท้อนแสงมีอยู่ทุกหนทุกแห่ง ผนังม่านกระจกตัวถังโลหะทางเท้าเปียกและโครงสร้างคอนกรีตล้วนสร้างแบบจําลองสัญญาณล่าช้าที่มีความสัมพันธ์เฟสที่ซับซ้อน
- มัลติพาธหน่วงเวลาสั้น:การสะท้อนจากพื้นผิวใกล้เคียง (ยานพาหนะ คนเดินเท้า) มาถึงภายใน 50 นาโนวินาทีของสัญญาณโดยตรง บิดเบือนจุดสูงสุดของสหสัมพันธ์และสร้างอคติย่อยเมตรที่ตรวจจับได้ยาก
- มัลติพาธหน่วงเวลานาน:การสะท้อนจากอาคารที่อยู่ห่างไกลอาจมาถึงช้าหลายร้อยนาโนวินาที ทําให้เกิดจุดสูงสุดของสหสัมพันธ์ทุติยภูมิที่แตกต่างกันซึ่งเครื่องรับขั้นสูงสามารถระบุและแยกออกได้
- การพึ่งพาความถี่:สัญญาณ L5 ที่มีอัตราการบิ่น 10.23 MHz ให้จุดสูงสุดของสหสัมพันธ์ที่คมชัดกว่าสัญญาณ L1 ทําให้ L5 มีความทนทานต่อมัลติพาธแบบหน่วงเวลาสั้น ๆ มากขึ้น ซึ่งเป็นเหตุผลสําคัญที่เครื่องรับสมัยใหม่ให้ความสําคัญกับสถาปัตยกรรมแบบหลายแบนด์
ในตัวเมืองเซี่ยงไฮ้หรือแมนฮัตตัน มันเป็นสภาพการทํางานปกติ เครื่องรับที่ออกแบบมาสําหรับประสิทธิภาพบนท้องฟ้าเปิดเท่านั้นจะล้มเหลวอย่างหายนะในสภาพแวดล้อมเหล่านี้
เทคนิคการบรรเทาผลกระทบแบบคลาสสิก
นักออกแบบเครื่องรับ GNSS ได้พัฒนาเทคนิคมากมายเพื่อต่อสู้กับมัลติพาธ โดยแต่ละเทคนิคมีการแลกเปลี่ยนที่แตกต่างกันระหว่างประสิทธิภาพ ต้นทุนการคํานวณ และความซับซ้อนของฮาร์ดแวร์
ระยะห่างของสหสัมพันธ์แคบ:ด้วยการสุ่มตัวอย่างฟังก์ชันสหสัมพันธ์ที่ออฟเซ็ตที่เว้นระยะห่างอย่างใกล้ชิดรอบจุดสูงสุด (ระยะห่างชิป 0.1 แทนที่จะเป็นชิป 0.5 แบบเดิม) ผู้รับสามารถแยกแยะจุดสูงสุดของเส้นทางตรงจากจุดสูงสุดที่กว้างขึ้นและบิดเบี้ยวที่สร้างขึ้นโดยมัลติพาธได้ดีขึ้น เทคนิคนี้ช่วยปรับปรุงข้อผิดพลาดหลายเส้นทาง 3-5 เท่า แต่ต้องการอัตราการสุ่มตัวอย่างและแบนด์วิดท์การประมวลผลที่สูงขึ้น
ลูปล็อคความล่าช้าการประมาณการหลายเส้นทาง (MEDLL):อัลกอริธึมการติดตามขั้นสูงนี้จําลองสัญญาณที่ได้รับเป็นผลรวมของส่วนประกอบโดยตรงและสะท้อนกลับโดยประมาณความล่าช้าแอมพลิจูดและเฟสของแต่ละเส้นทาง ด้วยการสร้างใหม่และลบส่วนประกอบหลายเส้นทาง MEDLL สามารถลดข้อผิดพลาดในการระบุตําแหน่งในเมืองได้ถึง 70% เมื่อเทียบกับตัวสัมพันธ์มาตรฐาน
การบรรเทาผลกระทบด้วย AI รุ่นต่อไป
แนวทางที่เกิดขึ้นใหม่ใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อจัดการกับหลายเส้นทางในแบบที่อัลกอริทึมแบบคลาสสิกไม่สามารถทําได้ ด้วยการฝึกอบรมโครงข่ายประสาทเทียมบนชุดข้อมูลที่มีป้ายกํากับของสภาวะหลายเส้นทางที่รู้จัก ผู้รับสามารถคาดการณ์ได้ว่าดาวเทียมดวงใดมีแนวโน้มที่จะปนเปื้อนตามบริบทด้านสิ่งแวดล้อม รูปทรงเรขาคณิตของหุบเขาในเมือง การวางแนวยานพาหนะ และแม้แต่รูปแบบการจราจรในช่วงเวลาของวัน
เฟิร์มแวร์ตัวรับสัญญาณล่าสุดของ Jumpstar รวมการตรวจจับหลายเส้นทางที่รับรู้บริบทซึ่งถ่วงน้ําหนักดาวเทียมแบบไดนามิกตามความน่าจะเป็นของการสะท้อนที่คาดการณ์ไว้ ในการทดสอบภาคสนามในย่านธุรกิจใจกลางเมืองในปักกิ่ง ลอนดอน และนิวยอร์ก วิธีนี้ลดข้อผิดพลาดในแนวนอนเปอร์เซ็นไทล์ที่ 95 จาก 3.2 เมตรเป็น 0.8 เมตร ทําให้ประสิทธิภาพ RTK ในเมืองอยู่ในระยะที่เอื้อมถึงเกณฑ์มาตรฐานบนท้องฟ้าเปิด
สําหรับผู้รวมระบบที่ปรับใช้ GNSS ในสภาพแวดล้อมที่ท้าทาย วิวัฒนาการจากการบรรเทาผลกระทบด้วยฮาร์ดแวร์อย่างเดียวไปสู่อัลกอริธึมที่รับรู้บริบทที่ใช้ AI ช่วยแสดงถึงการเปลี่ยนแปลงกระบวนทัศน์ในความน่าเชื่อถือของตําแหน่งที่ทําได้
.png)
