2023 Fiscal Year Annual Research Report
| Project/Area Number |
22KJ1391
|
|---|
| Allocation Type | Multi-year Fund |
|---|
| Research Institution | Tokyo University of Marine Science and Technology |
|---|
Principal Investigator |
小林 海斗 東京海洋大学, 海洋科学技術研究科, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2023-03-08 – 2024-03-31
|
| Keywords | GNSS / RTK / 統合測位 / 機械学習 |
|---|
| Outline of Annual Research Achievements |
2023年度は3つの研究を行った。1つ目はGNSSとIMU、スピードセンサーを使用してGNSSの受信環境が悪い場所でも高精度測位を出力する統合測位のインテグリティについてDeep Neural Networkを使用して予測する研究である。自動運転で求められる誤差30cmを閾値として統合測位解が30cm以下か以上かを3Dマップを使用した衛星可視環境、GNSSの観測データ、IMU・スピードセンサーの情報を入力としてDNNで判別した。3つのデータの平均で78%の正答率で統合測位解の外れ値を判別することができた。2つ目は2022年度までに行った研究であるRTK測位がFixするかどうかの予測をUAVによる都市部飛行に応用した。都市部におけるUAV自律飛行は安全上cmレベルでの自己位置推定が必要とされる。この研究では都市部を飛行するUAVのシナリオを2つ作成し、飛行高度を4パターン用意しそれぞれでRTK Fix率が何％になるか予測した。この結果よりRTK Fix率が90%以上となるためにはUAVの飛行高度をどのくらいに設定すればいいか予測できることを示した。3つ目は低軌道測位衛星をRTK測位に利用できた場合に現在のGNSS環境と比べて都市部でRTK Fix率がどう変化するかを予測した。この研究では低軌道衛星は速度が速く、ビル街では観測可能時間が短いためGNSSに比べてRTKの大きな改善には寄与しないという結果になった。3年間の研究を通して申請時に提言した3Dマップ、機械学習を使用した自動車のGNSSインテグリティ予測手法を正答率70～80%で確立することができた。一方で3Dマップと機械学習の計算コストの問題でリアルタイムに予測をするシステムは作成できなかった。これについては3Dモデルを使用せずにLidarで周囲の建物の3Dマップを作る手法で計算コストを低減できる可能性がある。
|
