در دره های شهری شهرهای بزرگ مدرن، منبع غالب خطای موقعیت یابی GNSS تأخیر جوی، جابجایی ساعت ماهواره ای یا نادرستی افمریس نیست؛ هستچندمسیره. وقتی سیگنال های ماهواره ای قبل از رسیدن به آنتن گیرنده از ساختمان ها، وسایل نقلیه و آسفالت بازتاب می شوند، نسخه های تأخیری حاصل فرآیند همبستگی را خراب کرده و سوگیری های موقعیتی ایجاد می کنند که در موارد شدید می تواند بیش از ۱۰ متر باشد.
برای کاربردهایی که دقت در سطح سانتی متر، حفظ خطوط خودروهای خودران، ناوبری پهپاد تحویل و نقشه برداری دقیق را می طلبند، کاهش چندمسیره نه افزایش عملکرد بلکه یک الزام اساسی است. این مقاله به بررسی فیزیک انتشار چندمسیره، تکنیک های کلاسیک کاهش اثرات و الگوریتم های نسل بعدی می پردازد که دقت موقعیت یابی شهری را به مرزهای جدیدی رسانده اند.
فیزیک چندمسیر شهری
چندمسیره زمانی رخ می دهد که یک سیگنال GNSS از طریق چندین مسیر به گیرنده می رسد: مسیر مستقیم خط دید و یک یا چند مسیر بازتابی. در محیط های شهری، سطوح بازتابنده همه جا دیده می شوند؛ دیوارهای پرده ای شیشه ای، بدنه های فلزی خودرو، آسفالت مرطوب و سازه های بتنی همگی نمونه های سیگنال تأخیری با روابط فاز پیچیده ایجاد می کنند.
- چندمسیره با تأخیر کوتاه:بازتاب ها از سطوح نزدیک (وسایل نقلیه، عابران پیاده) ظرف ۵۰ نانوثانیه از سیگنال مستقیم می رسند و اوج همبستگی را تغییر داده و سوگیری های زیر متر ایجاد می کنند که تشخیص آن ها دشوار است.
- چندمسیره با تأخیر طولانی:بازتاب ها از ساختمان های دوردست می توانند صدها نانوثانیه دیرتر برسند، قله های همبستگی ثانویه متمایزی ایجاد کنند که گیرنده های پیشرفته می توانند آن ها را شناسایی و حذف کنند.
- وابستگی فرکانس:سیگنال های L5 با نرخ تراشه ۱۰.۲۳ مگاهرتز، قله های همبستگی تیزتری نسبت به سیگنال های L1 ارائه می دهند که باعث می شود L5 ذاتا در برابر چندمسیره با تأخیر کوتاه مقاوم تر باشد؛ این یکی از دلایل اصلی اولویت دادن گیرنده های مدرن به معماری های چندبانده است.
در مرکز شهر شانگهای یا منهتن، چندمسیره نیز از این قاعده مستثنی نیست؛ این شرایط عملیاتی طبیعی است. گیرنده ای که فقط برای عملکرد در آسمان باز طراحی شده باشد، در این محیط ها به طور فاجعه باری خراب خواهد شد.
تکنیک های کاهش اثرات کلاسیک
طراحان گیرنده های GNSS تکنیک های متعددی برای مقابله با چندمسیره توسعه داده اند که هر کدام مصالحه های مشخصی بین اثربخشی، هزینه محاسباتی و پیچیدگی سخت افزاری دارند.
فاصله باریک همبسته ها:با نمونه برداری تابع همبستگی در فاصله های نزدیک به اوج (فاصله تراشه ۰.۱ به جای چیپ سنتی ۰.۵)، گیرنده ها می توانند قله های مسیر مستقیم را بهتر از قله های پهن تر و اعوجاج شده ای که توسط چندمسیره ایجاد می شوند، تشخیص دهند. این تکنیک ۳-۵ برابر خطای چندمسیره را بهبود می بخشد اما به نرخ نمونه برداری و پهنای باند پردازش بالاتری نیاز دارد.
حلقه قفل تأخیر تخمینی چندمسیره (MEDLL):این الگوریتم پیشرفته ردیابی سیگنال دریافتی را به صورت مجموع اجزای مستقیم و بازتابی مدل می کند و تأخیر، دامنه و فاز هر مسیر را تخمین می زند. با بازسازی و تفریق اجزای چندمسیره، MEDLL می تواند خطاهای موقعیت یابی شهری را تا ۷۰٪ نسبت به همبستگی های استاندارد کاهش دهد.
نسل بعدی کاهش اثرات با کمک هوش مصنوعی
رویکردهای نوظهور از یادگیری ماشین برای پرداختن به چندمسیره به روش هایی استفاده می کنند که الگوریتم های کلاسیک نمی توانند. با آموزش شبکه های عصبی بر روی مجموعه داده های برچسب گذاری شده شرایط چندمسیره شناخته شده، گیرنده ها می توانند پیش بینی کنند کدام ماهواره ها احتمالا بر اساس زمینه محیطی آلوده شده اند؛ هندسه شهری دره، جهت گیری وسایل نقلیه و حتی الگوهای ترافیکی زمان روز.
جدیدترین فریمور گیرنده جامپ استار شامل تشخیص چندمسیره آگاه به زمینه است که ماهواره ها را به صورت پویا بر اساس احتمال بازتاب پیش بینی شده وزن دهی می کند. در آزمایش های میدانی در مناطق مرکزی کسب وکار در پکن، لندن و نیویورک، این رویکرد خطاهای افقی صدک ۹۵ را از ۳.۲ متر به ۰.۸ متر کاهش داد و عملکرد RTK شهری را در دسترس معیارهای آسمان باز قرار داد.
برای یکپارچه سازان سیستمی که GNSS را در محیط های چالش برانگیز پیاده سازی می کنند، تحول از کاهش اثرات صرفا سخت افزاری به الگوریتم های مبتنی بر هوش مصنوعی و آگاه به زمینه، نشان دهنده تغییر پارادایمی در قابلیت اطمینان موقعیت یابی قابل دستیابی است.
.png)
