[논문 리뷰] Robust Gaussian Process Regression for Real-Time High Precision GPS Signal Enhancement

Ming Lin, Xiaomin Song외 5명|arXiv (Cornell University)|2019. 06. 03.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 21인용 수 4

한 줄 요약

이 논문은 이온층 Total Electron Content (vTEC) 데이터에서 높은 수준의 노이즈를 견고하게 다루어 실시간 GPS 신호 정밀도를 향상시키기 위해 세 단계로 구성된 필터-재가중-재학습(Filter-Reweight-Retrain, FRR) 가우시안 프로세스 회귀 방법을 제안한다. 외곽치를 걸러내고 잔차 오차를 재가중하며, 청소된 데이터와 재가중된 노이즈가 있는 데이터를 기반으로 재학습함으로써 FRR는 30%의 외곽치 비율에도 불구하고 벤치마크 테스트에서 최신 기술보다 8.3% 높은 78.4%의 센티미터 수준 정밀도 정확도를 달성한다.

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.

연구 동기 및 목표

• 실시간 GPS 신호에서 높은 노이즈로 인한 정밀도 저하 문제를 해결하여 센티미터 수준 요구사항을 충족시키는 것.
• 기존의 견고한 방법이 실패하는 바이어스가 높은 외곽치 비율(최대 40%)을 견디는 데 유용한 견고한 회귀 방법을 개발하는 것.
• 유용한 고정밀도 측정치를 폐기하지 않고도 청소된 데이터와 노이즈가 있는 데이터를 모두 활용하여 모델 성능을 향상시키는 것.
• 무한하거나 심하게 손상된 노이즈 데이터셋에서도 정확도를 유지할 수 있는 일관되고 효율적인 알고리즘을 설계하는 것.
• 실제 대규모 GPS 위치 측정 시스템에서 기존의 견고한 회귀 기반 기법들과 비교하여 제안된 FRR 방법의 우수성을 검증하는 것.

제안 방법

• 신호 유효성 테스트를 적용하여 GPS 데이터를 청소된 데이터와 더러운(노이즈 있는) 데이터로 분류한다.
• 청소된 데이터셋 전용으로 初기 가우시안 프로세스 모델을 학습시켜 vTEC 값을 추정한다.
• 학습된 모델이 더러운 데이터셋에 대해 vTEC를 예측하고 잔차 오차를 계산하여 고오차 지점 식별.
• 큰 잔차를 가진 데이터 포인트는 걸러내고, 나머지 노이즈가 있는 포인트는 조정 파rameter를 사용해 잔차 크기에 따라 재가중한다.
• 청소된 데이터셋과 재가중된 노이즈가 있는 데이터셋의 결합을 기반으로 최종 견고한 GP 모델을 재학습시켜 일반화 및 정확도 향상.
• 재가중 전략은 무거운 尾비율 노이즈에서 분산을 줄여주며, 무한한 노이즈 데이터가 있는 경우에도 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 기존의 견고한 추정기법의 붕괴점 이론을 초월하는 노이즈 수준을 가진 GPS 신호 노이즈를 다룰 수 있는 견고한 회귀 방법이 존재하는가?
• RQ2 신뢰할 수 없는 스크리닝 알고리즘이 일부 데이터를 노이즈로 표기하더라도, 유용한 고정밀도 GPS 데이터를 어떻게 보존하고 효과적으로 활용할 수 있는가?
• RQ3 3단계 필터링, 재가중, 재학습 전략이 반복적인 재가중 방법과 비교해 일관되고 향상된 모델 성능을 이끌어낼 수 있는가?
• RQ4 실시간 GPS 응용 프로그램에서 높은 오염률 조건 하에서 제안된 FRR 방법이 최신 기술의 견고한 회귀 기법을 얼마나 뛰어나게 성능을 냈는가?
• RQ5 제안된 FRR 프레임워크에 대해 일관성과 붕괴점 수렴의 이론적 보장 조건은 무엇인가?

주요 결과

• 제안된 FRR 방법은 벤치마크 지역에서 센티미터 수준 정밀도 정확도를 확보한 RTK 비율 78.4%를 달성하였으며, 두 번째로 우수한 베이스라인보다 8.3% 포인트 높게 기록되었다.
• 정점 시간대에 40%까지 데이터가 노이즈로 표기되더라도 FRR는 높은 정확도를 유지하며 서비스 중단을 방지한다.
• 기존의 견고한 방법인 Huber 회귀와 IRLS는 고오염 조건에서 실패하며, IRLS는 FRR의 RTK 비율의 절반 이하에 그친다.
• RANSAC는 온라인 시스템에서 시행 횟수 제약으로 인해 성능이 열등하여 RTK 비율이 50%를 약간 넘는 정도에 머물렀다.
• Hard Iterative Thresholding(HIT)는 베이스라인 중에서 가장 우수한 성능을 보였지만, 30% 노이즈 조건에서도 실패했으며, 이는 기존 방법들이 실세계 고노이즈 GPS 환경에서의 한계를 보여준다.
• 이론적 분석을 통해 FRR가 일관성을 확보하고 점점 1에 수렴하는 점진적 붕괴점 수렴을 달성함을 확인하였으며, 이는 고노이즈 GPS 신호 처리에 특별히 적합함을 입증한다.