활성화 함수(Activation Functions) 기반의 가중 최소 제곱법 (WLS) GNSS 측위를 위한 머신러닝 프레임워크

전역 항법 위성 시스템 (Global Navigation Satellite Systems, GNSS)은 교통, 위치 기반 통신 서비스, 지능형 농업을 포함한 다양한 응용 분야에 위치, 속도 및 시간 (PVT) 정보를 제공하기 위해 널리 사용됩니다. 도심 협곡 (Urban canyons)에서는 고층 건물과 좁은 도로가 신호 차단, 비가시선 (Non-line-of-sight, NLOS) 수신 및 다중 경로 (Multipath) 효과를 유발하여 GNSS 의사거리 (Pseudorange) 측정값에 오차를 발생시킬 수 있습니다. 다중 성좌 (Multi-constellations) GNSS는 사용 가능한 위성의 수를 효과적으로 증가시키지만, 품질이 저하된 신호가 포함되면 심각한 측위 오차로 이어질 수 있습니다. 본 연구는 측위 정확도를 향상시키기 위해 활성화 함수 (Activation functions)를 통합한 가중 최소 제곱법 (Weighted Least Squares, WLS) 알고리즘을 위한 머신러닝 프레임워크를 제안합니다. 여러 신호 품질 지표를 앙상블 학습 (Ensemble learning) 알고리즘의 학습 특성 (Features)으로 채택하여, 품질 점수를 제공함으로써 저품질 신호를 식별합니다. 그 다음, 머신러닝으로 예측된 점수를 WLS 측위에 적합한 가중치로 변환하기 위해 활성화 함수를 사용합니다. 제안된 접근 방식의 성능을 평가하기 위해 홍콩과 도쿄 도심 지역의 실제 데이터셋을 사용하여 실험을 수행했습니다. 활성화 함수에 대한 비교 분석 결과, 시그모이드 함수 (Sigmoid functions)가 다양한 머신러닝 알고리즘 및 GNSS 성좌 구성에서 일관되게 가장 큰 개선 효과를 나타내는 것으로 밝혀졌습니다. 제안된 알고리즘은 단일 및 다중 성좌 시나리오 모두에서 측위 오차를 실질적으로 감소시킴을 입증했습니다. 또한, 본 연구 결과는 제안된 알고리즘이 강력한 지리적 전이성 (Geographical transferability)을 보임을 나타냅니다. 제안된 알고리즘은 유사한 도시화 수준을 가진 다른 지역의 데이터로 학습되었을 때도 대등한 수준의 성능을 유지합니다.