基于神经伪距校正的端到端 GPS 定位
机器学习
2024-08-22 v2 人工智能
信号处理
摘要
伪距误差是 GPS 定位不准确的根本原因之一。以往的数据驱动方法使用手工设计的中间标签来回归并消除伪距误差。与此不同，我们提出了一个端到端 GPS 定位框架 E2E-PrNet，使用由 GPS 接收机状态真值计算出的最终任务损失，直接训练用于伪距校正（PrNet）的神经网络。损失相对于可学习参数的梯度通过可微非线性最小二乘（Differentiable Nonlinear Least Squares, DNLS）优化器反向传播至 PrNet。使用 Android 手机收集的 GPS 数据验证了融合数据驱动的神经网络与基于模型的 DNLS 模块的可行性，表明 E2E-PrNet 优于基线加权最小二乘法和最先进的端到端数据驱动方法。最后，我们讨论了 E2E-PrNet 的可解释性。
引用
@article{arxiv.2401.10685,
title = {Towards End-to-End GPS Localization with Neural Pseudorange Correction},
author = {Xu Weng and KV Ling and Haochen Liu and Kun Cao},
journal= {arXiv preprint arXiv:2401.10685},
year = {2024}
}