MARC

 008250123s2024        us                              c    eng  d
■001000017161501
■00520250211151405
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382233307
■035    ▼a(MiAaPQ)AAI31255809
■035    ▼a(MiAaPQ)pd226jw5716
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aAshwin  Vivek  Kanhere.
■24510▼aResilient  GPS  Positioning  Using  Deep  Neural  Networks  and  Sensor  Fusion  With  Factor  Graph  Optimization
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a134  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Grace  Gao.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aAutonomous  vehicles  (AVs),  such  as  self  driving  cars  and  unmanned  aerial  vehicles,  will  operate  in  dense  urban  areas  and  require  decimeter-level  positioning  estimates,  both  of  which  are  challenging  for  traditional  GNSS-based  positioning  algorithms,  such  as  weighted  least  squares.  More  recent  algorithms,  such  as  methods  using  factor  graph  optimization  (FGO)  or  deep  neural  networks  (DNNs),  can  potentially  satisfy  this  accuracy  requirement  of  AVs  in  deep  urban  areas  by  leveraging  the  computational  resources  and  multiple  sensors  available  on  these  platforms.  However,  these  algorithms  are  susceptible  to  GNSS  signal  vulnerabilities,  like  GNSS  spoofing  and  faults  both  in  received  measurements  and  satellite  states,  which  must  be  mitigated  to  ensure  the  accuracy  and  availability  of  position  estimates  from  these  algorithms.  This  dissertation  describes  contributions  to  this  end  and  discusses  methods  that  mitigate  GPS  spoofing  attacks  and  measurement  faults.  First,  we  describe  a  DNN  for  GNSS-based  positioning  that  is  robust  to  measurement  faults,  such  as  additive  biases.  In  our  architecture,  we  solve  challenges  that  emerge  when  applying  traditional  DNNs  to  the  task  of  GNSS-based  positioning  using  specialized  architectures  and  by  estimating  corrections  to  initial  positions.  We  validate  our  architecture  on  simulated  and  real-world  measurements,  showing  that  it  has  better  accuracy  than  equivalent  model-based  approaches  in  the  local  Down  direction,  and  can  have  better  accuracy  in  the  North  and  East  direction  depending  on  the  initialization  error  in  our  method.  In  simulation,  we  also  show  that  our  approach  effectively  mitigates  additive  biases  in  measurements.  Second,  we  discuss  our  method  that  uses  switchable  constraints  (SC)  in  an  FGO-based  GNSS  positioning  algorithm  to  mitigate  GPS  spoofing  attacks.  We  use  odometry  sensors  to  improve  positioning  accuracy  and  obtain  measurements  independent  of  GPS  to  mitigate  spoofing.  We  validate  our  proposed  method  in  simulation,  showing  that  it  effectively  mitigates  spoofing  attacks  while  maintaining  accuracy  similar  to  that  of  a  naive  FGO  under  nominal  conditions.  Our  method  also  incorporates  the  upcoming  Chimera  signal  enhancement  for  "loop  closure"  to  improve  accuracy  in  the  nominal  case.  Third,  we  discuss  our  modular  expectation-maximization  (EM)-based  architecture  that  jointly  mitigates  GPS  spoofing  and  measurement  faults.  We  formulate  the  positioning  problem  as  a  two  stage  process  which  is  iteratively  solved  using  EM.  In  the  first  stage,  we  estimate  the  likelihoods  that  GNSS  measurements  are  authentic  and  fault-free.  In  the  second  stage,  we  obtain  position  estimates,  incorporating  the  likelihoods  of  authenticity  and  fault-free  measurements  to  provide  resilience  to  both  spoofing  attacks  and  measurements  faults,  whichever  might  be  present.  We  validate  our  architecture  with  realistic  simulated  measurements,  showing  that  it  effectively  mitigates  faults  and  spoofing  while  maintaining  accuracy  similar  to  naive  algorithms  in  nominal  operating  conditions.  Fourth,  we  discuss  gnss_lib_py,  an  open-source,  modular,  and  extendable  Python  library  for  processing  GNSS  measurements,  file  types  and  datasets.  gnss_lib_py  also  provides  baseline  implementations  of  traditional  state  estimation  algorithms  and  methods  to  simulate  realistic  GNSS  measurements.  The  methods  that  we  describe  in  this  dissertation  enable  spoofing  and  fault  resilient  GNSS  positioning,  enabling  a  safer  future  for  the  navigation  of  autonomous  vehicles.
■590    ▼aSchool  code:  0212.
■650  4▼aComputer  science
■650  4▼aRobotics
■653    ▼aDeep  neural  networks
■653    ▼aFactor  graph  optimization
■653    ▼aAutonomous  vehicles
■653    ▼aSwitchable  constraints
■690    ▼a0984
■690    ▼a0771
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161501▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서