[論文レビュー] Robust Gaussian Process Regression for Real-Time High Precision GPS Signal Enhancement

Ming Lin, Xiaomin Song+5 more|arXiv (Cornell University)|Jun 3, 2019

Target Tracking and Data Fusion in Sensor Networks参考文献 21被引用数 4

ひとこと要約

本稿では、イオン層Total Electron Content (vTEC)データにおける高いノイズレベルを効果的に扱うことで、リアルタイムGPS信号の精度を向上させる3段階のフィルタリング・リウェート・リトレーニング（FRR）ガウス過程回帰手法を提案する。外れ値をフィルタリングし、残差誤差を再重み付けし、クリーンデータおよび再重み付けされたノイズデータを用いて再トレーニングすることで、FRRは78.4%のセンチメートルレベルの位置決め精度を達成した。これは、30%の外れ値率があるにもかかわらず、ベンチマークテストにおいて最先端手法を8.3%上回った性能を示した。

ABSTRACT

Satellite-based positioning system such as GPS often suffers from large amount of noise that degrades the positioning accuracy dramatically especially in real-time applications. In this work, we consider a data-mining approach to enhance the GPS signal. We build a large-scale high precision GPS receiver grid system to collect real-time GPS signals for training. The Gaussian Process (GP) regression is chosen to model the vertical Total Electron Content (vTEC) distribution of the ionosphere of the Earth. Our experiments show that the noise in the real-time GPS signals often exceeds the breakdown point of the conventional robust regression methods resulting in sub-optimal system performance. We propose a three-step approach to address this challenge. In the first step we perform a set of signal validity tests to separate the signals into clean and dirty groups. In the second step, we train an initial model on the clean signals and then reweigting the dirty signals based on the residual error. A final model is retrained on both the clean signals and the reweighted dirty signals. In the theoretical analysis, we prove that the proposed three-step approach is able to tolerate much higher noise level than the vanilla robust regression methods if two reweighting rules are followed. We validate the superiority of the proposed method in our real-time high precision positioning system against several popular state-of-the-art robust regression methods. Our method achieves centimeter positioning accuracy in the benchmark region with probability $78.4\%$ , outperforming the second best baseline method by a margin of $8.3\%$. The benchmark takes 6 hours on 20,000 CPU cores or 14 years on a single CPU.

研究の動機と目的

• リアルタイムGPS信号における高いノイズ汚染の課題に対処し、センチメートルレベルの要件を満たさない位置決め精度の低下を是正すること。
• 従来のロバスト手法が失敗する可能性がある、最大40%までの外れ値率に耐えられるロバストな回帰手法の開発。
• 価値ある高精度測定を破棄せずに、クリーンデータとノイズデータの両方を活用することで、モデル性能の向上を図ること。
• 無限大または重度に汚染されたノイズデータセットに対しても、精度を維持できる一貫性があり、効率的なアルゴリズムの設計。
• 大規模なリアルタイムGPS位置決めシステムにおける、既存のロバスト回帰ベースラインと比較してFRR手法の優位性を実世界で検証すること。

提案手法

• 信号の有効性テストを適用して、GPSデータをクリーンデータ群と汚染済み（ノイズあり）データ群に分類する。
• 初期のガウス過程モデルをクリーンデータセットにのみ訓練して、vTEC値を推定する。
• 訓練済みモデルが汚染済みデータセット上でvTECを予測し、残差誤差を計算して高誤差ポイントを特定する。
• 大きな残差を持つデータポイントはフィルタリングされ、残りのノイズありポイントは、その残差の大きさに基づき、調整パrameterを用いて再重み付けされる。
• クリーンデータセットと再重み付けされたノイズデータセットの結合データを用いて、最終的なロバストなGPモデルを再トレーニングし、一般化性能と精度を向上させる。
• 再重み付けスキームは、重い尾を示すノイズの分散を低減するように設計されており、無限大のノイズデータに対しても一貫性を保証する。

実験結果

リサーチクエスチョン

• RQ1 従来のロバスト推定器の破壊点を上回るノイズレベルのGPS信号ノイズを処理できるロバストな回帰手法は存在するか？
• RQ2 信頼性の低いスクリーニングアルゴリズムによってノイズとマークされた大量のデータの中でも、価値ある高精度GPSデータをどのように保持し、効果的に活用できるか？
• RQ3 3段階のフィルタリング・リウェート・リトレーニング戦略は、反復的リウェート手法と比較して、一貫性があり、性能が向上するか？
• RQ4 リアルタイムGPS応用において、高い汚染率下でも、提案されたFRR手法は最先端のロバスト回帰技術をどの程度上回るか？
• RQ5 提案されたFRRフレームワークの一致性および破壊点収束に関する理論的保証は何か？

主な発見

• 提案されたFRR手法は、ベンチマーク地域においてセンチメートルレベルの位置決め精度を達成するRTK比が78.4%に達し、2番目に優れたベースラインを8.3ポイントも上回った。
• ピーク時間帯に40%までのデータがノイズとマークされても、FRRは高い精度を維持し、サービスの中断を回避した。
• Huber回帰やIRLSといった従来のロバスト手法は、高い汚染率下で失敗し、IRLSはFRRのRTK比の半分未満にとどまった。
• RANSACはオンラインシステムにおける試行回数の制限により性能が低く、RTK比はわずか50%をやや上回るにとどまった。
• ハード反復しきい値法（HIT）はベースラインの中で最も優れた性能を示したが、30%のノイズ率では失敗し、既存手法が現実の高ノイズGPS環境で限界に達していることを示した。
• 理論的分析により、FRRが一貫性を示し、漸近的破壊点収束が1に達することを確認した。これは、高ノイズGPS信号処理に特化したFRRの独自の適性を裏付けている。