Mesures GNSS et de Capteurs sous Accréditation
Production massive de données pour des opérations d’apprentissage de réseaux de neurones ( Deep-Learning )
définition
Les intégrateurs de systèmes de positionnement ont souvent besoin de développer leurs propres algorithmes de fusion. Des données réelles, collectées sur le terrain, sont nécessaires pour coupler les capteurs avec le récepteur GNSS. Ces mesures de capteur et ces signaux GNSS doivent être parfaitement représentatifs des conditions d’usage considérées.
Les écarts dans les mesures de position, causés par les perturbations de l’environnement, sont à atténuer à l’aide de méthodes d’hybridation. Ces techniques améliorent les performances du système, tant sur ses capacités de résilience, de reconvergence sur les bonnes positions, que sur ses propres capacités d’auto-estimation des erreurs.
A dessein, des technologies de deep-learning sont de plus en plus souvent implémentées pour entrainer des filtres de navigation.
Dans tous les cas, la collecte des données d’essais est une opération incontournable où il faut autant de jeux de données que de profils d’erreurs à surmonter. Dans certains cas, un même mesurage peut renvoyer un ensemble de mesures différentes les unes des autres. Ces jeux de données se multiplient pour chacun des capteurs ou des récepteurs utilisés.
Dans ce contexte, la production massive de données est également un réel défi pour obtenir des résultats exploitables.
Figure 1a – « IA pour l’apprentissage automatique GNSS »
Figure 1b– « Dispersion GNSS des positions »
critères de performance
Les algorithmes de Deep Learning sont une voie de recherche prometteuse dans l’extraction automatisée des données complexes. Une bonne mise en œuvre de ces techniques fera gagner un temps précieux en R&D.
Leurs capacités de prédiction sont subordonnées à la pertinence des opérations d’apprentissage et à la qualité des mesures soumises aux filtres d’apprentissage.
En particulier, ces données doivent être à la fois :
- Cohérentes et intègres
- Complètes et nettoyées
- Et en quantité suffisante
La stratégie d’apprentissage doit être pensée en amont, c’est à dire dès les spécifications d’essais.
Figure 2 – « Hybridation GNSS – Méthode de test »
MOYENS DE MÉTROLOGIE
GUIDE est un laboratoire d’essais accrédité. En l’occurrence, notre laboratoire a les compétences, l’instrumentation et des méthodes validées pour fournir massivement les données certifiées, attendues pour implémenter des processus de deep-learning.
Cette prestation est une simple extension de ses activités d’ingénierie d’essais. Les mesures produites lors des essais sont destinées à une équipe de R&D au lieu d’être analysées par les équipes de GUIDE en vue d’une évaluation de performances.
Le succès d’une opération d’apprentissage réside, en premier lieu, dans la cohérence des données à collecter, c’est-à-dire la qualité des spécifications d’essais. Toutes les autres tâches découleront de cette première étape.
Figure 3 – Banc d’essai dans le laboratoire GUIDE