Traitement par IA de mesures GNSS dégradées en entrée d'un algorithme de positionnement hybridé

Processing of degraded GNSS measurements by means of Machine Learning as input of a hybrid positioning algorithm

• Auteur / Autrice : Léa Dubreil
• Direction : Gaël Pages
• Type : Projet de thèse
• Discipline(s) : Informatique et Télécommunications
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Toulouse, ISAE
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : ISAE-ONERA SCANR Signal communication Antennes Navigation Radar
• Partenaire(s) de recherche : Equipe de recherche : ISAE/DEOS/MITT Département Electronique Optronique Signal

Mots clés

Mots clés libres

Gnss

Machine Learning

Mesures dégradées

Hybridation

Gnss

Machine Learning

Degraded measurements

Hybridization

Résumé

Le positionnement précis en milieu urbain avec des signaux GNSS dégradés est un défi à relever pour le développement du véhicule autonome. Les algorithmes d'Intelligence Artificielle sont souvent mis en avant comme technique prometteuse au maintien de la précision, mais leur performance n'est pas encore démontrée. La dégradation des signaux GNSS en milieu urbain (masquage, multi trajet, interférences…) se manifeste comme un bruit corrélé dans les mesures et se traduisent par des biais conséquents sur les positions calculées par les utilisateurs. La surveillance d'une combinaison de plusieurs critères peut faciliter l'identification et l'exclusion des signaux affectés par ces menaces : observation des résidus (techniques RAIM), des séries temporelles des mesures (i.e. détection de scintillation), observation des sorties de récepteur logiciel (i.e. fonction de corrélation). Le traitement de ces environnements complexes par l'intelligence artificielle a déjà fait ses preuves pour la classification de mesures GNSS erronées, par entraînement sur des données binaires labellisées (flags de MP, scintillation…). L'objectif principal de cette thèse est de préciser et d'évaluer l'apport de l'IA comme aide au positionnement en milieu GNSS dégradé.

Precise positioning in an urban environment with degraded GNSS signals is a challenge to be met for the development of autonomous vehicles. Artificial Intelligence algorithms are often put forward often put forward as a promising technique for maintaining accuracy, but their performance performance has not yet been demonstrated. The degradation of GNSS signals in urban environments (masking, multipath, interference, etc.) manifests itself as a correlated noise in the data. correlated noise in measurements, resulting in significant biases in the positions calculated by users. positions calculated by users. Monitoring a combination of several criteria can facilitate the identification and exclusion of signals affected by these threats: observation of residuals (RAIM techniques), measurement time series (i.e. scintillation detection), observation of software receiver outputs (i.e. correlation function). The use of artificial intelligence to process these complex environments has already proved its worth for the classification of erroneous GNSS measurements, by training on labelled binary data labelled data (MP flags, scintillation, etc.). The main objective of this thesis is to specify and evaluate the contribution of AI as an aid to degraded GNSS environment.