NeRC: Neuronale Korrektur von GNSS-Fehlern mit differenzierbarer MHE

Die präzise Lokalisierung mit GNSS auf handelsüblichen Mobilgeräten bleibt in Städten ein großes Problem. Komplexe Signalwege und minderwertige Onboard-Hardware führen zu erheblichen Ranging‑Fehlern, die die Positionsgenauigkeit stark beeinträchtigen. Traditionelle Ansätze, die auf datengetriebenen Modellen beruhen, stoßen an ihre Grenzen, weil die manuelle Anmerkung dieser Fehler extrem aufwendig ist.

NeRC (Neural Ranging Correction) bietet eine robuste, end‑to‑end Lösung, die diese Hürde überwindet. Anstatt nach schwer zu erstellenden Fehlerlabels zu suchen, nutzt das System die eigentlichen Positionsmetriken als Trainingsziel. Die neuronalen Module werden mit echten, leicht zu erhaltenden Referenzpositionen trainiert. Dafür setzt NeRC auf eine differenzierbare Moving‑Horizon‑Estimation (MHE), die einen Zeitraum von Messungen verarbeitet und die Gradienten zurückpropagiert, sodass das Netzwerk direkt aus den Positionsdaten lernt.

Ein weiteres Highlight ist die Einführung von Euclidean Distance Field (EDF) Kostenkarten als Trainingsparadigma. Diese Karten reduzieren den Bedarf an exakt gelabelten Standorten erheblich, indem sie die Distanz zu bekannten Referenzpunkten als Lernsignal liefern. Auf öffentlichen Benchmarks sowie in eigenen Datensätzen zeigt NeRC eine deutliche Verbesserung der Positionsgenauigkeit. Darüber hinaus wurde die Methode erfolgreich auf Edge‑Geräten eingesetzt, was die Echtzeit‑Leistung für mobile Anwendungen bestätigt.

NeRC stellt damit einen praxisnahen Ansatz dar, um die GNSS‑Lokalisierung in urbanen Umgebungen zu optimieren. Durch die Kombination von differenzierbarer MHE, end‑to‑end Training und EDF‑Kostenkarten liefert das System hochpräzise Korrekturen ohne aufwändige Fehlerannotationen und ermöglicht damit eine zuverlässige Echtzeit‑Positionierung auf alltäglichen Mobilgeräten.