ESA

私たちの社会がこれまで以上に多くのデータを生成するにつれ、人工知能 (AI) により、宇宙計画などの新しい方法でデータを収集、分析し、利用できるようになりました。 現在、ESA の NAVISP プログラムのエンジニアリング チームによって AI が衛星ナビゲーションにも適用されており、ヨーロッパの産業界や学術界と協力してナビゲーションの未来を発明しています。 その結果、プロトタイプ サービスのポートフォリオが拡大し、宇宙や地球の天気予報の改善、自動運転車やボートの性能の向上、機密空域での不正ドローンの特定に役立つなど、さまざまな用途に活用されています。

衛星ナビゲーションは私たちの生活のあらゆるところで遍在しており、精密農業から送電網の管理、金融取引から通信リンクに至るまで、単なる輸送を超えた用途に使用されています。 宇宙からの信号は、最適な信号条件下で高精度のアルゴリズムを使用して複雑な数学モデルを通じて処理され、センチメートルレベルの精度が得られます。

ESA のナビゲーション イノベーションおよびサポート プログラムである NAVISP は、新しい製品、システム、およびサービスを開発することにより、測位、ナビゲーション、およびタイミング (PNT) ドメイン全体にわたるヨーロッパの競争力の向上を目指しています。 これを実現し、衛星ナビのパフォーマンスをさらに向上させる 1 つの方法は、全地球航法衛星システム (GNSS) を、慣性センサーやマシン ビジョンから 5G および 6G、さらには人工知能 (AI) に至るまで、他のテクノロジーと組み合わせることです。

「AI は、データ分析システムであれ、自動運転車を監視する組み込みインテリジェンスであれ、コンピュータがインテリジェンスを模倣できるようにするすべての技術で構成されています」と NAVISP 技術プログラム オフィスの責任者、ラファエル ルーカス ロドリゲスは説明します。 「AI が非常に得意とすることは、いわゆる機械学習 (ML) を通じて、意味のある情報を抽出して、他の方法では気づかれなかった有用なパターンを特定することです。 衛星ナビゲーションは大量のデータを生み出す分野の 1 つであるため、私たちの分野では AI が新しいアプローチやサービスの基礎として機能する可能性もあります。」

宇宙気象データのふるい分け

最初のステップは、ML モデルをより適切にトレーニングするために、有用なデータにアクセスすることです。データは多ければ多いほど良いのです。 NAVISP の CAMALIOT プロジェクトは、参加しているスマートフォンから生の GNSS データを収集する Android アプリに基づいています。 人々は、携帯電話を一晩窓のそばにオンにしておくだけで、アプリが携帯電話に内蔵された衛星ナビ受信機を介して生のGNSSデータを取得できるようにするだけで、「市民科学者」になるよう奨励されました。 これまでに 12,000 人を超えるボランティアが参加し、ヨーロッパと地球全体をカバーする 1,310 億件を超える測定結果が得られました。

次のステップは、ML を適用して、宇宙天気や気象の影響による、GNSS 信号の伝播に影響を与える可能性がある地球大気の電気的に活動的な部分である電離層の変動に関連するデータ内のパターンを探すことでした。 「雨のフェード」など、地球の表面に最も近い対流圏。 この結果は、地球と宇宙の両方の天気予報の精度を向上させる可能性があります。

AI により自動車の位置を正確に把握

NAVISP の AIGNSS プロジェクトは、AI 対応アルゴリズムを PNT 研究の最も安全性が重要な側面の 1 つである、自動運転サービスにおける GNSS 測位のパフォーマンスの向上に適用しました。 Satnav は、運転支援および自動運転のためのベースライン テクノロジーであり、車両が自分の位置と走行速度を推定できるようにするもので、通常は慣性センサー、カメラ、レーダー、その他の機会信号などの他の測位方法と組み合わせて使用​​されます。

問題は、GNSS のパフォーマンスが周囲の環境に応じて大きく異なる可能性があることです。 建物やその他の人工構造物の滑らかな表面は、「マルチパス」として知られる誤解を招く信号反射率を引き起こす可能性があり、一方、都市中心部の都市部の峡谷や厚い樹木は、局所的な空に見える衛星の数を減らす可能性があります。

AIGNSS プロジェクトは、ヨーロッパのガリレオを含む複数の衛星放送コンステレーションと英国のさまざまな道路環境からの周波数を使用して現実世界の運転データを収集し、高度な信号分析を適用してマルチパス干渉を特定し、測距誤差を推定しました。 使用されるさまざまなアルゴリズムに AI を追加すると、本質的には大幅ではありませんが、パフォーマンスの向上につながりました。