Ionospheric scintillation estimation through augmented physics-based models and advanced Kalman filtering techniques

Abstract

El desarrollo continuo de las tecnologías de sistemas de navegación por satélite (GNSS) lleva a una creciente necesidad de nuevos enfoques y sistemas de recepción destinados a mejorar la eficiencia y precisión de su funcionamiento. Por ejemplo, bajo perturbaciones ionosféricas, comunes en áreas ecuatoriales y polares, el GNSS podría dejar de ser fiable. Existen soluciones para mitigar ese efecto, basadas principalmente en modelos físicos y conocimientos especializados. Nuestro objetivo es eludir tales modelos aprovechando enfoques basados en datos y ampliando los métodos de estimación de estado que se entrenan en línea. La investigación reciente se centra en los modelos físicos de los fenómenos que ocurren en la atmósfera, como la escintilación ionosférica que ocurre principalmente en regiones ecuatoriales y polares. Un enfoque prometedor en esta dirección parece ser la integración de modelos avanzados de Aprendizaje Automático, específicamente Redes Neuronales, con algoritmos de estimación de estado disponibles, como los Filtros de Kalman, de modo que el modelo de estado y el modelo basado en datos se aprendan conjuntamente. Este es, por ejemplo, el caso de los llamados modelos físicos basados en la física aumentada (APBMs) de interés en este trabajo. El estudio tiene como objetivo comparar las soluciones APBM con los modelos establecidos en el contexto de la navegación satelital afectada por la escintilación ionosférica. El estudio demuestra que los Filtros de Kalman no lineales (como el CKF de cubatura) pueden ser efectivamente ampliados a través de una variedad de modelos APBM que se destacan por su simplicidad, mejor rendimiento y la capacidad de ser entrenados en línea sin conocimiento previo de las condiciones ambientales. Los resultados son prometedores, mostrando errores de salida mejorados que superan la literatura actual, a la vez que proporcionan información sobre las fortalezas y debilidades de los diferentes enfoques APBM.

El desenvolupament continu de les tecnologies de sistemes de navegació per satèl·lit (GNSS) porta a una necessitat creixent de nous enfocaments i sistemes de recepció destinats a millorar l'eficiència i la precisió del seu funcionament. Per exemple, sota perturbacions ionosfèriques, comunes en àrees equatorials i polars, el GNSS podria deixar de ser fiable. Existeixen solucions per mitigar aquest efecte, basades principalment en models físics i coneixements especialitzats. El nostre objectiu és eludir aquests models aprofitant enfocaments basats en dades i ampliant els mètodes d'estimació d'estat que es poden entrenar en línia. La investigació recent es centra en els models físics dels fenòmens que ocorren a l'atmòsfera, com l'escintil·lació ionosfèrica que passa principalment en regions equatorials i polars. Un enfocament prometedor en aquesta direcció sembla ser la integració de models avançats d'Aprenentatge Automàtic, específicament Xarxes Neuronals, amb algoritmes d'estimació d'estat disponibles, com els Filtres de Kalman, de manera que el model d'estat i el model basat en dades s'aprenguin conjuntament. Aquest és, per exemple, el cas dels anomenats models físics basats en la física augmentada (APBMs) d'interès en aquest treball. L'estudi té com a objectiu comparar les solucions APBM amb els models establerts en el context de la navegació per satèl·lit afectada per l'escintil·lació ionosfèrica. L'estudi demostra que els Filtres de Kalman no lineals (com el CKF de cubatura) poden ser efectivament ampliats a través d'una varietat de models APBM que es destaquen per la seva simplicitat, millor rendiment i la capacitat de ser entrenats en línia sense coneixement previ de les condicions ambientals. Els resultats són prometedors, mostrant errors de sortida millorats que superen la literatura actual, alhora que proporcionen informació sobre les fortaleses i debilitats dels diferents enfocaments APBM.

The further development of global navigation satellite system (GNSS) technologies leads to a growing need for new approaches and receiver systems aimed at boosting the efficiency and accuracy of their operation. For instance, under ionospheric perturbations, common in equatorial and polar areas, GNSS might be no longer reliable. Solutions exist to mitigate that effect, mostly based on physics-based models and expert knowledge. We aim to circumvent such models by leveraging data-driven approaches and augmenting state estimation methods that are trained online. Recent research is focusing on physical models of the phenomena taking place in the atmosphere, as the ionospheric scintillation that happens mainly in equatorial and polar regions. A promising approach in this direction seems to be the integration of advanced Machine Learning models, specifically Neural Networks, with available state estimation algorithms such as Kalman Filters such that state and data-driven model are jointly learned. This, for instance, is the case of the so-called augmented physics-based models (APBMs) of interest in this work. The study aims to compare APBM solutions against established models in the context of satellite-based navigation affected by ionospheric scintillation. The study demonstrates that non-linear Kalman Filters (such as cubature CKF) can effectively be augmented through a variety of APBM models that stand out for their simplicity, improved performance, and the ability to be trained online without prior knowledge of environmental conditions. The results are promising, showing enhanced output errors that surpass current literature, while also providing insights into the strengths and weaknesses of different APBM approaches.