在 Google Edge TPU 上利用 GenAI 实现节能且感知干扰的 GNSS 信号压缩感知
机器学习
2026-05-15 v1 信号处理
摘要
用于分类全球导航卫星系统（GNSS）干扰信号的传统方法通常涉及对原始或频谱数据流进行后处理，这需要向基于云的干扰分类系统进行复杂且昂贵的数据传输。相比之下，我们提出的方法直接在硬件接收端高效压缩 GNSS 数据流，同时实时分类干扰和欺骗攻击。鉴于 GNSS 干扰日益普遍，迫切需要适用于功率受限环境的实时解决方案。本文介绍了一种利用生成式人工智能（GenAI），特别是变分自编码器（VAE）在 Google Edge 张量处理单元（TPU）上部署的 GNSS 干扰威胁压缩与分类新方法。该研究评估了各种自编码器（AE）架构以压缩和重构 GNSS 信号，重点在于在接收端硬件附近最小化数据大小的同时保留干扰特征。该流水线通过 8-bit 量化将大规模 AE 模型适配至 Google Edge TPU，以确保节能部署。在原始同相和正交相（IQ）数据、快速傅里叶变换（FFT）数据以及手工特征上的测试表明，该系统实现了显著的压缩（>42x），并在重构信号上对约 72 种干扰类型进行了准确分类（F2-score 0.915），与原始信号（F2-score 0.923）高度匹配。这种以硬件为中心的 GenAI 方法还大幅降低了干扰信号传输成本，为干扰缓解提供了实用解决方案。对条件 VAE 和分解 VAE（即 FactorVAE）的消融研究探索了用于数据生成的潜在特征解耦，增强了模型可解释性，并培养了对用于敏感干扰应用的机器学习（ML）解决方案的信任。
引用
@article{arxiv.2605.14839,
title = {GenAI for Energy-Efficient and Interference-Aware Compressed Sensing of GNSS Signals on a Google Edge TPU},
author = {Thorben Wegner and Lucas Heublein and Tobias Feigl and Felix Ott and Christopher Mutschler and Alexander Rügamer},
journal= {arXiv preprint arXiv:2605.14839},
year = {2026}
}
备注
12 pages