[논문]Single Antenna Based GPS Signal Reception Condition Classification Using Machine Learning Approaches

Sanghyun Kim; Seunghyeon Park; Jiwon Seo

doi:10.11003/jpnt.2023.12.2.149

[국내논문] Single Antenna Based GPS Signal Reception Condition Classification Using Machine Learning Approaches 원문보기

Journal of Positioning, Navigation, and Timing, v.12 no.2, 2023년, pp.149 - 155

Sanghyun Kim (School of Integrated Technology, Yonsei University) , Seunghyeon Park (School of Integrated Technology, Yonsei University) , Jiwon Seo (School of Integrated Technology, Yonsei University)

Abstract ▼ AI-Helper

In urban areas it can be difficult to utilize global navigation satellite systems (GNSS) due to signal reflections and blockages. It is thus crucial to detect reflected or blocked signals because they lead to significant degradation of GNSS positioning accuracy. In a previous study, a classifier for global positioning system (GPS) signal reception conditions was developed using three features and the support vector machine (SVM) algorithm. However, this classifier had limitations in its classification performance. Therefore, in this study, we developed an improved machine learning based method of classifying GPS signal reception conditions by including an additional feature with the existing features. Furthermore, we applied various machine learning classification algorithms. As a result, when tested with datasets collected in different environments than the training environment, the classification accuracy improved by nine percentage points compared to the existing method, reaching up to 58%.

주제어

표/그림 (9)

그림 Fig. 1. GPS signal collection hardware (reproduction of Fig. 1 of Kim & Seo (2022)).
그림 Fig. 2. Five static locations where GPS signals were collected.
그림 Fig. 3. Formulation of training and test data sets.
그림 Fig. 4. The relationships between the features and signal reception types of T1 dataset.
그림 Fig. 5. The relationships between the features and signal reception types of T2 dataset.
표 Table 1. The number of NLOS-only/LOS-only/LOS+NLOS data samples for each dataset.
그림 Fig. 7. Classification accuracy of each classification algorithm for T2 dataset, which was collected at different locations with the training dataset.
그림 Fig. 7. Classification accuracy of each classification algorithm for T2dataset, which was collected at diferent locations with the training dataset.
그림 Fig. 8. The positioning result of the GPS receiver and the positioning result after eliminating NLOS-only signal (PRN 5) using RF in location D.

AI 본문요약
AI-Helper

문제 정의

이를 극복하기 위하여, 본 연구에서는 새로운 특징을 추가하여 기존 연구에서 적용된 바 없는 네 개의 특징 조합을 이용하는 머신러닝 기반 GPS 신호 수신 환경 분류 기법을 개발하였다. 또한, 다양한 종류의 머신러닝 알고리즘을 적용하여 알고리즘에 따른 분류 정확도를 비교하였다.

제안 방법

이에 NLOS-only, LOS-only, LOS+NLOS 환경을 분류할 수 있는 SVM 알고리즘 기반의 머신러닝 모델이 개발된 바 있으나, 이는 분류 성능에 한계가 있었다. 따라서 본 논문에서는 기존 기법에 특징을 추가하여 총 네 개의 특징 조합을 이용하는 머신러닝 모델을 개발하였다. 또한, 다양한 머신러닝 분류 알고리즘을 적용하여 분류 성능을 비교하였다.
따라서 본 논문에서는 기존 기법에 특징을 추가하여 총 네 개의 특징 조합을 이용하는 머신러닝 모델을 개발하였다. 또한, 다양한 머신러닝 분류 알고리즘을 적용하여 분류 성능을 비교하였다. 그 결과, 학습 환경과 다른 환경에서 수집된 데이터셋을 통해 테스트하였을 때 최대 58%의 분류 정확도를 얻을 수 있었으며, 기존 기법에 비해 9%p 가량 분류 정확도가 향상됨을 보였다.
이를 극복하기 위하여, 본 연구에서는 새로운 특징을 추가하여 기존 연구에서 적용된 바 없는 네 개의 특징 조합을 이용하는 머신러닝 기반 GPS 신호 수신 환경 분류 기법을 개발하였다. 또한, 다양한 종류의 머신러닝 알고리즘을 적용하여 알고리즘에 따른 분류 정확도를 비교하였다. 본 논문의 2장에서는 GPS 신호 수집 및 라벨링 방법에 대해 다루며, 3장에서는 머신러닝 특징 추출 방법 및 머신러닝 알고리즘에 대해 설명한다.
3과 같이 진행하였으며, 각 데이터셋에 포함된 데이터 샘플의 개수는 Table 1에 나타나 있다. 먼저, NLOS-only, LOS-only, LOS+NLOS 클래스의 데이터 샘플 개수가 균일한 학습 데이터셋을 구성하기 위하여, A, B, C 지점에서 수집한 데이터 샘플을 하나로 모으는 과정을 진행하였다. 이후 이를 절반씩 무작위로 나누어 학습 데이터셋(T0)과 테스트 데이터셋 1(T1)로 구성하였으며, 나머지 두 지점(D, E)에서 수집한 데이터 샘플은 테스트 데이터셋 2(T2)로 구성하였다.
본 논문에서는 학습 데이터셋 T0을 이용하여 머신러닝 알고리즘에 따른 네 가지의 학습 모델을 생성하였으며, 테스트 데이터셋 T1과 T2를 통해 성능 검증을 진행하였다. T1과 T2 데이터셋에 대한 분류 정확도 결과는 각각 Figs.

대상 데이터

Fig. 2와 같은 다중경로 환경을 가진 총 다섯 지점의 정적 환경에서 GPS L1 신호를 수집하였다.
본 논문에서는 GPS 신호 수집 및 라벨링 과정을 통해, 머신러닝 모델의 학습 및 테스트 데이터셋을 구성하였다. GPS 신호 수집은 Fig.

데이터처리

더 나아가, 가장 뛰어난 분류 성능을 보인 RF 알고리즘 기반 학습 모델을 이용하여 T2 데이터셋이 수집된 지점들 중 하나인, D 지점에 대해 NLOS-only 신호를 검출하고 이를 제거하였을 때의 측위 결과를 분석해 보았다. 분석을 진행한 D 지점은 시간당 평균 4.

성능/효과

Fig. 6의 T1 데이터셋 결과를 살펴보았을 때, DT, RF, GBDT, KNN 각각 73.7%, 74.6%, 82.7%, 66.0%의 정확도가 나타났으며, GBDT와 RF에서 뛰어난 성능을 보였음을 확인하였다. 또한, 각 신호 수신 환경 별 분류 정확도를 분석한 결과, NLOS-only, LOS-only, LOS+NLOS 환경 모두 56.
8과 같다. NLOS-only 신호 제거 전 95% 수평 측위 정확도는 37.8 m를 보였으며, 제거 이후에는 26.7 m로 약 29% 향상되었음을 확인하였다.
각 신호 수신 환경 별 분류 정확도를 비교해 보면, NLOS-only와 LOS-only는 54.6-72.8% 사이의 정확도 값을 가지는 데 반해, LOS+NLOS 환경에서는 상대적으로 낮은 20.7-36.3%의 분류 정확도를 보였다. 이는, LOS+NLOS 환경이 NLOS-only나 LOS-only 환경에 비해 더 다양한 방식으로 발생할 수 있기 때문으로 생각된다.
또한, 다양한 머신러닝 분류 알고리즘을 적용하여 분류 성능을 비교하였다. 그 결과, 학습 환경과 다른 환경에서 수집된 데이터셋을 통해 테스트하였을 때 최대 58%의 분류 정확도를 얻을 수 있었으며, 기존 기법에 비해 9%p 가량 분류 정확도가 향상됨을 보였다.
높은 건물들이 밀집된 도심 지역에서는 위성항법 신호가 반사되어 수신되는 NLOS-only와 LOS+NLOS 환경에 의해 측위 성능이 저하될 수 있다. 이에 NLOS-only, LOS-only, LOS+NLOS 환경을 분류할 수 있는 SVM 알고리즘 기반의 머신러닝 모델이 개발된 바 있으나, 이는 분류 성능에 한계가 있었다.
0%의 정확도가 나타났으며, GBDT와 RF에서 뛰어난 성능을 보였음을 확인하였다. 또한, 각 신호 수신 환경 별 분류 정확도를 분석한 결과, NLOS-only, LOS-only, LOS+NLOS 환경 모두 56.6-87.2% 수준의 정확도가 나타남을 확인할 수 있었다. T1 데이터셋은 학습 데이터셋과 동일한 장소에서 수집된 것이기 때문에 분류 정확도가 높게 나타나지만, 실제 사용자들의 이동 경로는 학습 데이터셋이 수집된 장소와 무관하므로 T1 데이터셋의 분류 정확도는 실제 사용자 관점에서는 큰 의미가 없다.
더 나아가, 가장 뛰어난 분류 성능을 보인 RF 알고리즘 기반 학습 모델을 이용하여 T2 데이터셋이 수집된 지점들 중 하나인, D 지점에 대해 NLOS-only 신호를 검출하고 이를 제거하였을 때의 측위 결과를 분석해 보았다. 분석을 진행한 D 지점은 시간당 평균 4.3개의 LOS-only 신호가 수신되는 환경으로, 많은 NLOS-only 신호를 제거하게 되면 측위를 위한 신호의 개수가 충분하지 않아 오히려 측위 정확도가 감소할 수 있다. 따라서, 모든 측정 시점 (epoch)에서 NLOS-only로 검출된 위성 신호만을 제거한 후 측위 결과를 분석하였으며, 그 결과는 Fig.
T1 데이터셋은 학습 데이터셋과 동일한 장소에서 수집된 것이기 때문에 분류 정확도가 높게 나타나지만, 실제 사용자들의 이동 경로는 학습 데이터셋이 수집된 장소와 무관하므로 T1 데이터셋의 분류 정확도는 실제 사용자 관점에서는 큰 의미가 없다. 즉, 실제 사용자 관점에서 의미가 있는 분류 정확도는 학습 데이터셋과 다른 장소에서 수집된 T2 데이터셋의 분류 정확도이다.

후속연구

이는, LOS+NLOS 환경이 NLOS-only나 LOS-only 환경에 비해 더 다양한 방식으로 발생할 수 있기 때문으로 생각된다. 따라서, 추후 LOS+NLOS 환경에 대한 추가적인 데이터 샘플을 수집하여 학습 및 테스트에 이용한다면, 분류 정확도를 더욱 높일 수 있을 것으로 기대된다.
높은 건물들이 밀집된 도심 지역에서는 위성항법 신호가 반사되어 수신되는 NLOS-only와 LOS+NLOS 환경에 의해 측위 성능이 저하될 수 있다. 이에 NLOS-only, LOS-only, LOS+NLOS 환경을 분류할 수 있는 SVM 알고리즘 기반의 머신러닝 모델이 개발된 바 있으나, 이는 분류 성능에 한계가 있었다. 따라서 본 논문에서는 기존 기법에 특징을 추가하여 총 네 개의 특징 조합을 이용하는 머신러닝 모델을 개발하였다.

참고문헌 (32)

Bai, X., Wen, W., & Hsu, L.-T. 2020, Using sky-pointing fish-eye？camera and LiDAR to aid GNSS single-point positioning？in urban canyons, IET Intelligent Transport Systems, 14,？908-914. https://doi.org/10.1049/iet-its.2019.0587

상세보기
Bezdek, J. C., Chuah, S. K., & Leep, D. 1986, Generalized？k-nearest neighbor rules, Fuzzy Sets and Systems, 18,？237-256. https://doi.org/10.1016/0165-0114(86)90004-7

상세보기
Causa, F. & Fasano, G. 2021, Improving navigation in GNSS-challenging environments: Multi-UAS cooperation and？generalized dilution of precision, IEEE Transactions？on Aerospace and Electronic Systems, 57, 1462-1479.？https://doi.org/10.1109/TAES.2020.3043543

상세보기
Closas, P. & Fernandez-Prades, C. 2011, A statistical multipath？detector for antenna array based GNSS receivers, IEEE？Transactions on Wireless Commu-nications, 10, 916-929.？https://doi.org/10.1109/TWC.2011.011111.100412

상세보기
Friedman, J. H. 2001, Greedy function approximation: A？gradient boosting machine, The Annals of statistics, 29,？1189-1232. https://www.jstor.org/stable/2699986

상세보기
Groves, P. D., Jiang, Z., Skelton, B., Cross, P. A., Lau, L., et al.？2010, Novel multipath mitigation methods using a dual-polarization antenna, in Proc. ION GNSS, 21-24 Sept？2010, Portland, Oregon, pp.140-151.
Hsu, L.-T. 2017, GNSS multipath detection using a machine？learning approach, in Proc. IEEE ITSC, 16-19 Oct 2017,？Yokohama, Japan, pp.1-6. https://doi.org/10.1109/ITSC.2017.8317700
Jia, M., Lee, H., Khalife, J., Kassas, Z. M., & Seo, J. 2021,？Ground vehicle navigation integrity monitoring for？multi-constellation GNSS fused with cellular signals？of opportunity, in Proc. ITSC, 19-22 Sept 2021,？Indianapolis, IN, USA, pp.3978-3983. https://doi.org/10.1109/ITSC48978.2021.9564686
Kim, S., Byun, J., & Park, K. 2022a, Machine learning-based？GPS multipath detection method using dual antennas,？in Proc. ASCC, 04-07 May 2022, Jeju, Korea, pp.691-695.？https://doi.org/10.23919/ASCC56756.2022.9828175
Kim, S., Lee, H., & Park, K. 2021, GPS multipath detection？based on carrier-to-noise-density ratio measurements？from a dual-polarized antenna, in Proc. ICCAS, 12-15 Oct 2021, Jeju, Korea, pp.1099-1103. https://doi.org/10.23919/ICCAS52745.2021.9648845
Kim, S., Park, J., Yun, J.-K., & Seo, J. 2020, Motion planning？by reinforcement learning for an unmanned aerial？vehicle in virtual open space with static obstacles, in？Proc. ICCAS, 13-16 Oct 2020, Busan, Korea, pp.784-787.？https://doi.org/10.23919/ICCAS50221.2020.9268253
Kim, S. & Seo, J. 2022, Support vector machine-based GPS？multipath detection method, in Proc. IPNT Conference,？2-4 Nov 2022, Gangneung, Korea, pp.365-368. http://ipnt.or.kr/2022proc/45
Kim, W., Son, P.-W., Park, S. G., Park, S. H., & Seo, J. 2022b,？First demonstration of the Korean eLoran accuracy in？a narrow waterway using improved ASF maps, IEEE？Transactions on Aerospace and Electronic Systems, 58,？1492-1496. https://doi.org/10.1109/TAES.2021.3114272

상세보기
Kouiroukidis, N. & Evangelidis, G. 2011, The effects of？dimensionality curse in high dimensional kNN search,？in Proc. Panhellenic Conference on Informatics, 30？Sept-02 Oct 2011, Kastoria, Greece, pp.41-45. https://doi.org/10.1109/PCI.2011.45
Kubo, N., Kobayashi, K., & Furukawa, R. 2020, GNSS？multipath detection using continuous time-series C/N0,？Sensors, 20, 1-25. https://doi.org/10.3390/s20144059

상세보기
Lee, H., Pullen, S., Lee, J., Park, B., Yoon, M., et al.？2022a, Optimal parameter inflation to enhance the？availability of single-frequency GBAS for intelligent？air transportation, IEEE Transactions on Intelligent？Transportation Systems, 23, 17801-17807. https://doi.org/10.1109/TITS.2022.3157138

상세보기
Lee, H. & Seo, J. 2020, A preliminary study of machinelearning-based ranging with LTE channel impulse？response in multipath environment, in Proc. ICCE-Asia, 01-03 Nov 2020, Seoul, Korea, pp.1-4. https://doi.org/10.1109/ICCE-Asia49877.2020.9277218
Lee, H., Seo, J., & Kassas, Z. 2022b, Urban road safety？prediction: A satellite navigation perspective, IEEE？Intelligent Transportation Systems Magazine, 14, 94-106. https://doi.org/10.1109/MITS.2022.3181557

상세보기
Liu, Y., Wang, Y., & Zhang, J. 2012, New machine learning？algorithm: Random forest, in Proc. ICICA, 14-16 Sept？14-16 2012, Chengde, China, pp.246-252. https://doi.org/10.1007/978-3-642-34062-8_32

상세보기
MacGougan, G., Lachapelle, G., Klukas, R., Siu, K., Garin, L.,？et al. 2002, Performance analysis of a stand-alone highsensitivity receiver, GPS Solutions, 6, 179-195. https://doi.org/10.1007/s10291-002-0029-z

상세보기
Misra, P. & Enge, P. 2001, The Global Positioning System:？Signals, Measurements, and Performance (Lincoln,？MA: Ganga-Jamuna Press)
Miura, S., Hisaka, S., & Kamijo, S. 2013, GPS multipath？detection and rectification using 3D maps, in Proc. IEEE？ITSC, 06-09 Oct 2013, The Hague, Netherlands, pp.1-7.？https://doi.org/10.1109/ITSC.2013.6728447
Safavian, S. R. & Landgrebe, D. 1991, A survey of decision？tree classifier methodology, IEEE Transactions on？Systems, Man, and Cybernetics, 21, 660-674. https://doi.org/10.1109/21.97458

상세보기
Shen, N., Chen, L., Wang, L., Lu, X., Tao, T., et al. 2020, Site-specific real-time GPS multipath mitigation based？on coordinate time series window matching, GPS？Solutions, 24, 1-14. https://doi.org/10.1007/s10291-020-00994-z

상세보기
Strode, P. R. R. & Groves, P. D. 2016, GNSS multipath？detection using three-frequency signal-to-noise？measurements, GPS Solutions, 20, 399-412. https://doi.org/10.1007/s10291-015-0449-1

상세보기
Sun, R., Hsu, L. T., Xue, D., Zhang, G., & Ochieng, W.？Y. 2019, GPS signal reception classification using？adaptive neuro-fuzzy inference system, The Journal？of Navigation, 72, 685-701. https://doi.org/10.1017/S0373463318000899

상세보기
Sun, R., Wang, G., Zhang, W., Hsu, L. T., & Ochieng, W.？2020, A gradient boosting decision tree based GPS？signal reception classification algorithm, Applied？Soft Computing, 86, 105942. https://doi.org/10.1016/j.asoc.2019.105942

상세보기
Suzuki, T., Nakano, Y., & Amano, Y. 2017, NLOS multipath？detection by using machine learning in urban？environments, in Proc. ION GNSS+2017, 25-29 Sept？2017, Portland, Oregon, pp.3958-3967. https://doi.org/10.33012/2017.15291
Wang, L., Groves, P. D., & Ziebart, M. K. 2012, Multi-constellation GNSS performance evaluation for？urban canyons using large virtual reality city models,？The Journal of Navigation, 65, 459-476. https://doi.org/10.1017/S0373463312000082

상세보기
Xu, L. & Rife, J. 2019, NLOS and multipath detection using？doppler shift measurements, in Proc. ION GNSS+2019,？16-20 Sept 2019, Miami, Florida, pp.4064-4075. https://doi.org/10.33012/2019.17115
Yoon, H., Seok, H., Lim, C., & Park, B. 2020, An online SBAS？service to improve drone navigation performance in？high-elevation masked areas, Sensors, 20, 1-20. https://doi.org/10.3390/s20113047

상세보기
Zhu, N., Marais, J., Betaille, D., & Berbineau, M. 2018,？GNSS position integrity in urban environments: A？review of literature, IEEE Transactions on Intelligent？Transportation Systems, 19, 2762-2778. https://doi.org/10.1109/TITS.2017.2766768

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증