Global Navigation Satellite Systems
PulseAugur coverage of Global Navigation Satellite Systems — every cluster mentioning Global Navigation Satellite Systems across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架通过故障检测增强了面向视觉的姿态估计
研究人员开发了一个新的面向视觉的姿态估计框架，增强了导航系统的完整性保证。这项工作通过引入保护级别，在存在未检测到的故障时也能提供姿态误差的概率界限，从而扩展了先前基于概率的计算机视觉管道。所提出的算法专门针对航空背景下的透视n点问题，计算飞机姿态所有六个自由度的保护级别，并分析测量冗余、像素级预测不确定性和跑道距离的影响。
-
视觉语言模型增强自动驾驶汽车GNSS欺骗检测能力
研究人员开发了一种新颖的方法，通过将视觉语言模型（VLM）与车内传感器数据相结合，来检测自动驾驶汽车中的全球导航卫星系统（GNSS）欺骗攻击。该方法融合了前置摄像头视觉信息以及速度和加速度等传感器读数，以识别车辆操控中的差异。该系统经过了三阶段的微调，并在阿拉巴马州塔斯卡卢萨收集的真实世界数据集上进行了验证，证明了在检测准确性方面的显著提高，尤其是在错误转弯和停止攻击方面。
-
新的过滤方法增强了GPS信号退化时无人机的安全性 · 跟踪2个来源
研究人员开发了一种新方法，用于确保小型无人机系统（sUAS）在全局导航卫星系统（GNSS）信号退化时，其学习到的分离策略的安全性。该研究评估了两种架构方法：动作过滤和观测过滤。事实证明，观测过滤的有效性显著更高，通过将最坏情况的交通状况直接呈现给策略，从而保留了策略的决策权，将近空中碰撞的发生率降低了90%。
-
天气基础模型通过GNSS数据增强，改善降水预报
研究人员已将全球导航卫星系统（GNSS）推导的对流层湿延迟（ZWD）数据整合到一个名为Aurora的天气基础模型中。此举旨在通过解决当前机器学习天气模型（MLWM）中对降水的低估问题，来改善降水预报，特别是对极端天气事件的预报。研究发现，扩展后的Aurora模型能有效学习ZWD，并在六小时累积降水预报方面系统性地有所改善，在99%分位数的极端降水预报中，公平威胁得分（Equitable Threat Score）提高了8.8%。
-
机器学习框架提升城市区域GNSS定位精度
研究人员开发了一个新的机器学习框架，以提高全球导航卫星系统（GNSS）定位的精度，尤其是在具有挑战性的城市环境中。该系统使用激活函数将关于信号质量的机器学习预测转换为加权最小二乘算法的权重。在香港和东京进行的实验表明，在各种机器学习模型和GNSS配置中，Sigmoid激活函数始终在定位精度方面提供最显著的改进。