Интеллектуальный сервис коррекции ошибок GNSS
Данный проект посвящен разработке расширенного анализа и классификации ошибок в системах глобального навигационного спутникового позиционирования (GNSS) с использованием данных формата RINEX.
Актуальность проекта
GNSS-технологии, такие как GPS, GLONASS, Galileo и BeiDou, широко применяются в навигации, геодезии, автономных транспортных средствах, дронах, сельском хозяйстве и даже в военных приложениях. Однако точность позиционирования часто ограничивается различными источниками ошибок. Эти неточности могут привести к значительным отклонениям, что влияет на безопасность и эффективность систем. В условиях роста автономных технологий (например, беспилотные автомобили) и требований к сантиметровой точности в геодезических работах, разработка методов анализа и компенсации ошибок становится ключевым фактором для повышения надежности GNSS.
Цель проекта
Разработать систематическую методологию на основе методов машинного обучения для постобработки данных GNSS из файлов RINEX с целью количественного определения и классификации ключевых источников ошибок, влияющих на точность позиционирования. Проект включает расчет спутниковых часовых смещений, неточностей орбит, ионосферных задержек (включая полноесодержание электронов (TEC), тропосферных задержек и дифференциальных кодовых смещений (DCB), а также классификацию этих ошибок на основе их характера, величины и влияющих факторов для улучшения стратегий коррекции в приложениях, таких как точное позиционирование (PPP) и кинематика в реальном времени (RTK).
Глобальные задачи проекта
- Сбор и предварительная обработка данных: Получить и разобрать файлы RINEX (наблюдения и навигации) из открытых источников (например, станции IGS) для определенного периода и местоположения.
- Расчет параметров ошибок: Вычислить каждый источник ошибок, используя математические модели и алгоритмы, примененные к данным RINEX.
- Классификация ошибок: Проанализировать вычисленные ошибки и классифицировать их с использованием статистических методов или алгоритмов машинного обучения (например, кластеризация по признакам, таким как время суток, угол возвышения или геомагнитные индексы).
- Визуализация и валидация: Создать графики, статистические показатели и сравнения с эталонными продуктами (например, финальными продуктами IGS) для проверки результатов и оценки точности классификации.
- Применение: Продемонстрировать, как классифицированные ошибки могут быть использованы для улучшения GNSS-позиционирования, например, путем применения коррекций в модельном сценарии навигации.
Вконтакте