Enhancing urban GNSS reliability: high-accuracy multipath rejection using deep neural network signal classification

Abstract

Spolehlivost a přesnost globálních navigačních satelitních systémů (GNSS) v městské zástavbě je kriticky omezena vícecestným šířením signálu (multipath), které představuje dominantní zdroj chyb v měřeních. Tradiční metody detekce a potlačení vícecestného šíření, jako je analýza Code-Minus-Carrier (CMC), se v těchto podmínkách potýkají s problémy, zejména kvůli častým ztrátám sledování signálu a výskytu fázových skoků (cycle slips). Tento článek navrhuje novou metodologii pro detekci a klasifikaci multipathu založenou na algoritmu využívajícím konvoluční neuronové sítě (CNN) v kombinaci s klastrovacím modelem. Navržená metoda využívá schopnosti CNN k automatické extrakci rysů z vysoké úrovně obrazových dat korelačních vrcholů (correlation peaks), které vykazují specifické distorze v přítomnosti odražených signálů. Tyto rysy jsou následně zpracovány klastrovacím algoritmem (např. DBSCAN), který umožňuje přesnou identifikaci a separaci autentických signálů od signálů ovlivněných multipathem. Výsledky simulací ukazují, že tato metoda dosahuje v náročných městských podmínkách vyšší přesnosti detekce, čímž výrazně překonává tradiční modely strojového učení i klasické diskriminační techniky. Práce dále analyzuje vliv šířky pásma front-endu na ostrost korelačních výstupů a potvrzuje, že zvýšená šířka pásma, typická pro technologie přímého RF vzorkování, dále posiluje schopnost sítě rozlišit blízké odrazy. Představený přístup nabízí robustní řešení pro zvýšení integrity a přesnosti určování polohy v reálném čase, což je klíčové pro autonomní systémy v husté městské zástavbě.

The reliability and accuracy of Global Navigation Satellite Systems (GNSS) in urban areas are significantly limited by multipath interference, which is the primary source of measurement errors. Traditional detection and mitigation methods, such as Code-Minus-Carrier (CMC) analysis, struggle in these environments because of frequent signal loss and cycle slips. This paper proposes a new method for detecting and classifying multipath by combining a Convolutional Neural Network (CNN) with a clustering model. The proposed method uses a CNN to automatically extract features from high-level image data of correlation peaks, which show specific distortions when reflected signals are present. These features are then processed by a clustering algorithm (such as DBSCAN) to accurately separate real signals from those affected by multipath. Simulation results show that this method achieves higher detection accuracy in difficult urban conditions, outperforming both traditional machine learning models and classic techniques. Furthermore, the paper analyzes how front-end bandwidth affects the sharpness of correlation peaks. It confirms that increased bandwidth, typical of direct RF sampling technology, improves the network’s ability to distinguish reflections that are close together. This approach offers a robust solution for improving the accuracy and integrity of real-time positioning, which is essential for autonomous systems in crowded urban environments.