다중 경로 신호는 GPS의 정확도를 저하시키는 대표적인 문제로써, 높은 건물들이 밀집되어 있는 도심 환경에서 주로 발생한다. 자율주행차, 자율비행드론 등 높은 측위 성능을 기반 으로 도심에서 동작해야 하는 운행체에게 있어 다중 경로 신호는 매우 치명적이다. 최근 여러 연구에서 딥러닝을 이용한 최초 도달 신호 탐지 기술이 제안되었고, 그중 가장 좋은 성능 을 보이는 FPDNet는 auto-correlation function (ACF) 출력 이미지로부터 최초 도달 신호의 코드 지연을 추정한다. 하지만 FPDNet은 서로 다른 크기의 노이즈를 가지는 신호들에 대한 구분이 없어 그 효율성이 떨어지고, 회귀 결과인 코드 지연값에 대해 해석할 수 없다는 단점이 있다. 본 논문에서는 노이즈에 따른 신호의 상태를 나타내는 C/N0를 기준으로 신호를 구분하고 ACF의 모든 샘플에 대해 최초 도달 신호일 확률을 추정하는 분류기 네트워크를 제안한다. C/N0를 기준으로 신호를 구분해 서로 다른 인공신경망을 학습시킴으로써 C/N0에 따른 신호의 개별 특성을 집중적으로 학습할 수 있고, 확률을 추정함으로써 최초 도달 경로 추정 결과를 해석할 수 있다. 결정적으로, 소프트 라벨을 추정하게 함으로써 최초 도달 신 호를 제외한 다중경로 신호의 특성 또한 함께 학습하여 최초 도달 신호의 특성을 더욱 빠르고 정확하게 학습할 수 있다. 위와 같은 장점을 가지는 새로운 최초 도달 신호 탐지 기술을 제안함과 동시에, FPDNet과 성능을 비교하여 제안하는 기술의 우수성을 입증한다.

Deep-Learning Based First Arrival Path Detection Using Gaussian Label Smoothing

Jeong-Hoon Kim, Sangjae Cho, Seung-Hyun Kong*

Multipath signals are a common problem that degrades the accuracy of GPS, and occur mainly in urban environments where high buildings are crowded. Multipath signals are very fatal for system such as autonomous vehicles and autonomous flying drones that have to operate in the downtown with high positioning performance. Several recent studies have proposed first arrival path detection techniques using deep learning. Among them, FPDNet which is SOTA estimates the code delay of the first arrival path from the auto-correlation function (ACF) output image. However, FPDNet has the disadvantage that it generalizes signals with different property, which reduces their efficiency. Furthermore, code delay values which are regression results is not interpretable. In this paper, we propose a classifier network that separates signals based on C/N0, which represents the state of the signal according to noise, and estimates the probability of first arrival path for all samples in the ACF. By separating signals based on C/N0 and teaching different neural networks, individual characteristics of signals according to C/N0 can be intensively learned, and the results of first arrival path detection can be interpreted by estimating probabilities. Crucially, using soft labels to be estimated, the characteristics of not only first arrival path but also multipath can be learned, so that the characteristics of the first arrival path can be learned more quickly and accurately. We propose a novel first arrival path detection technique with the above advantages, while simultaneously comparing its performance with FPDNet to demonstrate the superiority of the proposed technique.

Keywords: first arrival path, multipath, deep learning, soft label

Speaker 김정훈 한국과학기술원