Abstract
Positionerings-, Navigatie- en Timing (PNT)-systemen zijn essentieel voor moderne toepassingen. De afhankelijkheid van Global Navigation Satellite Systems (GNSS) maakt PNT echter kwetsbaar voor storingen, zwakke signalen en beperkingen in stedelijke en binnenomgevingen. Hoewel plaatsbepaling via terrestrische netwerken zich heeft ontwikkeld van 1G tot 6G, voldoet geen enkele technologie volledig aan alle PNT-behoeften. Multi-technologische fusie biedt een veelbelovende benadering, maar brengt uitdagingen met zich mee vanwege variërende frequenties, foutkarakteristieken en de noodzaak van adaptieve algoritmen. Traditionele Kalman-filters, vaak gebruikt voor datafusie, presteren suboptimaal in dynamische omgevingen door statische aannames over ruiscovariantie. Om deze beperkingen aan te pakken, stelt dit onderzoek een AI-gestuurde methode voor om de positioneringsnauwkeurigheid, veerkracht en aanpasbaarheid te verbeteren door dynamische afstemming van ruiscovariantieparameters. Dit onderzoek heeft als doel de meest geavanceerde positioneringsalgoritmen verder te ontwikkelen door een robuust multi-epoch positioneringsraamwerk te creëren dat heterogene PNT-data effectief samenvoegt. De voorgestelde AI-gestuurde fusiebenadering zal de positioneringsnauwkeurigheid, beschikbaarheid en robuustheid aanzienlijk verbeteren in diverse operationele omgevingen en de uitdagingen van de volgende generatie PNT-systemen aanpakken.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)