Minacce al segnale GNSS: risolvere il problema con l’impiego del Machine Learning.
I Sistemi Globali di Navigazione Satellitare (GNSS) sono tecnologie essenziali per innumerevoli applicazioni, dal trasporto alla logistica, dalle comunicazioni alle infrastrutture critiche. Tuttavia, la loro affidabilità è messa a dura prova in ambienti complessi come le città, dove i segnali sono disturbati da riflessioni (multipath) e blocchi (NLOS), e vulnerabili a interferenze e spoofing. Gli approcci tradizionali per mitigare questi errori mostrano limiti significativi in tali scenari. Qui entra in gioco il Machine Learning (ML), offrendo un cambio di paradigma per superare queste sfide.
Minacce al segnale GNSS: il contributo di Gter
Anche qui in Gter stiamo applicando attivamente le tecniche di Machine Learning per migliorare la precisione del posizionamento GNSS, in particolare per la correzione degli errori dovuti al multipath in ambienti urbani.
Il nostro approccio attuale prevede i seguenti passaggi:
1. Acquisizione e Preparazione dei Dati: raccogliamo dataset specifici per ambienti urbani da diverse fonti, inclusa la Google Smartphone Decimeter Challenge. Successivamente, eseguiamo un’accurata pulizia e pre-elaborazione di questi dati per renderli idonei all’addestramento.
2. Addestramento del Modello: utilizziamo i dati preparati per addestrare modelli di Machine Learning. Al momento, stiamo impiegando l’algoritmo Random Forest per la sua robustezza nella predizione degli errori di pseudorange.
3. Analisi e Valutazione: una volta creato il modello, lo valutiamo attentamente analizzando il suo impatto e le sue prestazioni su diverse tipologie di ricevitori GNSS. Questo ci permette di comprendere come le correzioni influiscono sui vari dispositivi utilizzati sul campo.
Stiamo ottenendo risultati preliminari soddisfacenti da questo processo. L’integrazione del Machine Learning sta rendendo il nostro algoritmo di correzione più dinamico e adattivo alle complesse condizioni urbane. Il nostro obiettivo è sviluppare correzioni che non solo aumentino la precisione, ma che apprendano e migliorino continuamente, portando a un posizionamento GNSS significativamente più robusto e affidabile, fondamentale per le applicazioni future come la guida autonoma e le smart cities.
Verso un RTKLIB potenziato dall’Intelligenza Artificiale
L’ambizione di migliorare le prestazioni del GNSS tramite Machine Learning trova un naturale sbocco nell’integrazione di questi modelli avanzati all’interno di piattaforme di elaborazione consolidate e open-source come RTKLIB. Portare l’intelligenza dei modelli addestrati (come quelli sviluppati da Gter per la correzione del multipath) direttamente nel cuore del processo di calcolo della posizione apre scenari promettenti, ma presenta anche sfide tecniche significative. Come potremmo, quindi, realizzare questa integrazione?
Le sfide dell’integrazione ML-RTKLIB
Prima di delineare le strategie, è utile riconoscere gli ostacoli principali:
1. Ecosistemi Diversi: RTKLIB è scritto principalmente in C, un linguaggio compilato performante ma meno agile per lo sviluppo e l’esecuzione di modelli ML complessi rispetto a Python, l’ambiente dominante per il Machine Learning.
2. Portabilità dei Modelli: i modelli ML addestrati in Python devono essere convertiti in un formato eseguibile o interpretabile all’interno di un ambiente C, senza perdere prestazioni o accuratezza.
3. Prestazioni Real-Time: l’elaborazione GNSS, specialmente in modalità RTK, richiede bassa latenza. L’inferenza del modello ML (cioè l’applicazione del modello addestrato ai nuovi dati) deve essere sufficientemente veloce da non compromettere i requisiti temporali.
4. Interfacciamento Dati: è necessario definire punti precisi all’interno del flusso di elaborazione di RTKLIB dove estrarre le feature necessarie al modello ML e dove iniettare le correzioni o le predizioni risultanti.
Minacce al segnale GNSS: possibili strategie di integrazione
Diverse strade possono essere percorse per superare queste sfide e “innestare” l’intelligenza artificiale in RTKLIB:
1. Traduzione Diretta del Modello in C (Code Generation):
1. Come: per alcuni modelli ML relativamente semplici (es. alberi decisionali come Random Forest, modelli lineari, alcune SVM), esistono strumenti o tecniche per tradurre direttamente la logica del modello addestrato in codice C equivalente. Questo codice verrebbe poi compilato insieme al resto di RTKLIB.
2. Vantaggi: massima integrazione, potenzialmente alte prestazioni senza dipendenze esterne.
3. Svantaggi: complesso o impossibile per modelli molto articolati (es. reti neurali profonde). Richiede la riscrittura del codice C ad ogni riaddestramento significativo del modello.
2. Utilizzo di Librerie di Inferenza Esterne:
1. Come: sfruttare librerie C/C++ ottimizzate per l’inferenza di modelli ML (es. TensorFlow Lite, ONNX Runtime, TensorRT). Il modello addestrato viene convertito in un formato compatibile con queste librerie (es. .tflite, .onnx). RTKLIB viene modificato per includere la libreria scelta e per chiamare le sue funzioni nei punti appropriati, passando i dati di input (features) e ricevendo l’output (predizioni/correzioni).
2. Vantaggi: supporta un’ampia gamma di modelli complessi, disaccoppia l’aggiornamento del modello dal codice RTKLIB (basta fornire un nuovo file modello convertito), sfrutta ottimizzazioni specifiche della piattaforma hardware.
3. Svantaggi: introduce una dipendenza esterna da gestire in fase di compilazione e deployment, potenziale overhead nell’interfacciamento.
3. Inter-Process Communication (IPC) o Servizio Esterno:
1. Come: modificare RTKLIB per inviare i dati necessari (features) a un processo separato (scritto magari in Python) che esegue l’inferenza del modello ML. Questo processo esterno calcola il risultato e lo restituisce a RTKLIB tramite meccanismi di IPC (es. socket, shared memory, pipe) o tramite chiamate a un microservizio dedicato.
2. Vantaggi: massima flessibilità nello sviluppo e nell’aggiornamento del modello ML (può rimanere in Python), isolamento dei processi.
3. Svantaggi: introduce latenza dovuta alla comunicazione tra processi, complessità nella gestione della comunicazione e della sincronizzazione, meno integrato.
4. Approcci Ibridi:
1. Come: combinare le strategie. Ad esempio, il feature engineering potrebbe essere implementato direttamente in C all’interno di RTKLIB per efficienza, mentre l’inferenza del modello vero e proprio potrebbe avvenire tramite una libreria esterna.
L’approccio Gter per ML-RTKLIB
Considerando l’uso attuale di Random Forest da parte di Gter, la traduzione diretta in C potrebbe essere un’opzione esplorabile, data la natura algoritmica degli alberi decisionali. Tuttavia, per garantire flessibilità futura e la possibilità di integrare modelli più complessi (come reti neurali), l’adozione di librerie di inferenza standard come ONNX Runtime o TensorFlow Lite appare una strategia più scalabile e manutenibile a lungo termine.
Indipendentemente dalla strategia scelta, sarà necessario modificare il codice sorgente di RTKLIB per:
1. Identificare i punti esatti dove le misure grezze o le stime intermedie sono disponibili (es. dopo il calcolo degli pseudorange, prima del filtro di Kalman).
2. Implementare funzioni per estrarre e formattare le feature richieste dal modello ML.
3. Integrare le chiamate al meccanismo di inferenza scelto (codice C tradotto, libreria esterna, IPC).
4. Definire come utilizzare l’output del modello (es. correggere gli pseudorange, pesare diversamente le misure, classificare LOS/NLOS).
L’obiettivo finale è trasformare RTKLIB da un potente motore di calcolo basato su modelli classici a una piattaforma ibrida, capace di sfruttare sia gli algoritmi tradizionali sia la potenza predittiva e adattiva del Machine Learning, aprendo la strada a un nuovo livello di accuratezza e robustezza nel posizionamento GNSS.
Minacce al segnale GNSS: sfide e sinergie future
Nonostante il potenziale, l’ML nel GNSS affronta sfide come la necessità di grandi dataset di addestramento etichettati e la questione dell’interpretabilità dei modelli (“black box”) per applicazioni critiche. La ricerca si sta muovendo verso tecniche di transfer learning, apprendimento non supervisionato e Explainable AI (XAI).
La tendenza non è sostituire i metodi tradizionali, ma integrarli con l’ML in approcci ibridi. La fusione con altri sensori (IMU, camere, LiDAR, 5G, LEO) e l’elaborazione edge AI rappresentano direzioni future promettenti.
(Fonte: Gter)
 e blocchi (NLOS).){kind=link}