Как сообщает Вестник ГЛОНАСС, технологии позиционирования глобальных навигационных спутниковых систем (ГНСС) используют огромные данные, генерируемые транспортными средствами, для создания карт коррекции атмосферной задержки высокого разрешения, что значительно повышает точность ГНСС в различных пространственных масштабах. Этот новый метод использует необработанные данные спутниковой навигации транспортных средств в режиме реального времени, совершенствуя традиционные приложения и представляя экономически эффективное решение для точного позиционирования.

Стремление к повышению ГНСС обычно затруднено ограничениями существующих моделей атмосферной коррекции, которые зависят от разреженной и дорогостоящей инфраструктуры. Эти традиционные модели с трудом предоставляют данные высокого разрешения, необходимые для точного позиционирования, особенно в динамичных средах, таких как автономное вождение. Появление данного исследования решает эту проблему, предлагая краудсорсинговый подход для создания подробных атмосферных карт, обещающий значительно улучшить производительность ГНСС и снизить затраты.

Исследователи из Китайской академии наук разработали оригинальную систему позиционирования ГНСС, описание, которой, опубликовано в мае 2024 года в журнале Satellite Navigation. В исследовании подробно описана система, которая использует двойные базовые станции и карты коррекции атмосферной задержки (CAM) из краудсорсинга для достижения высокоточного позиционирования, что является значительным достижением для таких приложений, как автономное вождение и Интернет вещей (IoT).

Исследование представляет новую систему позиционирования ГНСС, которая использует две базовые станции и массивные данные транспортных средств для создания атмосферных карт высокого разрешения, повышая точность позиционирования. Этот краудсорсинговый подход, получивший название CAM, использует данные транспортных средств, оснащенных приёмниками ГНСС.

Эти транспортные средства собирают и передают данные о задержке в атмосфере на облачный сервер, где они интегрируются и обрабатываются для постоянного обновления CAM. Этот процесс динамического обновления улучшает как пространственное разрешение CAM, так и точность позиционирования для общедоступных пользователей в режиме реального времени. Основное новшество этой системы заключается в использовании данных ГНСС обычных транспортных средств, которых больше, и они более доступны по сравнению с традиционными источниками данных.

Путём агрегирования и уточнения этих данных исследование позволяет разработать экономически эффективный метод создания детализированных поправок на задержку в атмосфере. CAM значительно снижает зависимость от дорогих и менее распределённых станций непрерывной оперативной опорной системы (CORS), традиционно используемых для получения атмосферных данных, предлагая масштабируемое решение, которое повышает осуществимость и точность прецизионных приложений ГНСС.

Доктор Юнбин Юань, ведущий исследователь, заявляет: «Эта система не только снижает затраты на сбор атмосферных данных, но также значительно повышает точность и надёжность позиционирования ГНСС…».

Применение этой технологии выходит за рамки повышения точности системы глобального позиционирования; это также открывает возможности для мониторинга окружающей среды в режиме реального времени и имеет серьёзные последствия для городского планирования, транспорта и систем реагирования на чрезвычайные ситуации. Поскольку транспортные средства становятся центрами сбора данных, масштабируемость этой технологии обещает значительные социально-экономические выгоды, особенно в высокоурбанизированных регионах.