HIGAIN
Projekttitel | Ubiquitous High Accuracy and Integrity Navigation |
Ziel |
Entwicklung fortschrittlicher Technologien und Algorithmen, die das Ziel einer hochgenauen und hochintegrierten Satellitennavigation und einer hochgenauen Innenraumnavigation unterstützen können.
|
Laufzeit | 2022 - 2025 |
Mittelgeber | DLR PD-R |
Projektleitung | WWB,WWE |
Das Projekt befasst sich mit der Entwicklung fortschrittlicher Technologien und Algorithmen, die das Ziel einer hochgenauen und hochintegrierten Satellitennavigation und einer hochgenauen Innenraumnavigation unterstützen können.
Mobilitätsanwendungen wie Lufttaxis, autonome Drohnen, autonome Autos, Schiffe in Häfen und Züge erfordern genaue und zuverlässige Navigationslösungen, um die Zukunft des Verkehrs zu Lande, zu Wasser und in der Luft auf sichere Weise zu gestalten. Globale Satellitennavigationssysteme (GNSS) bieten Nutzern auf der ganzen Welt bereits genaue Ortungs- und Zeitgebungsdienste. Um die angestrebten Leistungen zu erreichen stellen die Umgebungen, in denen eine genaue und zuverlässige Positionsbestimmung erforderlich ist, jedoch auch die größten technischen Herausforderungen dar. So erfordern beispielsweise die schlechte Sichtbarkeit und Abschattung von GNSS-Satelliten in Straßenschluchten und Tunneln, Hochfrequenzstörungen und Mehrwegeausbreitung in städtischen Umgebungen Navigationslösungen, die über die Standard-GNSS-Lösungen hinausgehen. Darüber hinaus ist GNSS nur im Freien verfügbar. Die Positionierung von Fußgängern und autonomen Drohnen/Robotern in Innenräumen mit der oben genannten Genauigkeit und Verfügbarkeit erfordert einen völlig anderen Ansatz. Verbesserungen für GNSS werden derzeit sowohl auf der Nutzerseite (d.h. GNSS-Empfänger und Signalverarbeitung) als auch auf der Systemseite (d.h. Verbesserung des GNSS-Systems und der Verarbeitungsarchitekturen auf Weltraum- und Bodensegmentebene) untersucht. Um einen Beitrag zur weiteren Verbesserung der Systemseite von Galileo in der Zukunft zu leisten, hat das DLR Projekte (OTTEx-Pre, COMPASSO, GAUSS) gestartet und plant weitere Projekte (Kepler-Vision), die darauf abzielen, einen revolutionären, statt evolutiven Wechsel von der gegenwärtigen GNS-Systemarchitektur zum Kepler-Konzept zu vollziehen, dessen Aktivitäten im Rahmen des Kepler-Vision-Projekts unabhängig finanziert werden sollen. Die Projekte Kepler-Vision und GAUSS sind auf die Weiterentwicklung der Systemseite zukünftiger GNSS Architekturen (insbesondere KEPLER) fokussiert. Im Gegensatz dazu liegt bei HiGAIN der Fokus auf der Nutzer-Seite. Die Projekte haben noch keine konsolidierte Finanzierung. Deshalb werden kleinere Arbeiten, die notwendig sind um die Anschlussfähigkeit sicherzustellen in HiGAIN durchgeführt. Insbesondere gilt dies für das Integritätskonzept. Die Daten hierfür sollen in GAUSS bereitgestellt werden und in HiGAIN genutzt werden. Gewisse Synergien ergeben sich zudem bei der Bereitstellung einer zuverlässigen Zeit aus gestörten und verrauschten Messungen. Dies ist in Anwendungen wie auch auf der Systemseite relevant, also bei der Zeiterzeugung von Kepler. In letzterem Fall geht das Rauschen der optischen Messungen ein und das muss prioritär untersucht werden, weshalb es hier aufgegriffen wird.
An dem Projekt sind neben DLR-SO folgende Institute beteiligt:
• DLR-KN
Charakterisierung von ionosphärischen Bedrohungen, wie Gradient, Raten und Szintillationen unter Verwendung des Experimentier- und Validierungsnetzwerk (EVNet). EVNet ist ein nahezu in Echtzeit arbeitendes Netzwerk, das auf modular konfigurierbaren und anpassbaren Hardware und Softwarekomponenten zur Überwachung ionosphärischer Bedingungen basiert.. EVNet ermöglicht die Erkennung und Untersuchung ionosphärischer Störungen zur Bewertung von Bedrohungen der Satellitennavigation.
Die Charakterisierung von Störungen wird dazu beitragen:
• Ein neues ionosphärisches Übertragungsmodell zu entwickeln
• Ein Overbounding-Modell für verbleibende ionosphärische Verzögerungen nach linearer Zweifrequenz-Kombination zu bestimmen
• Entwicklung von Algorithmen zur Erkennung von Bedrohungen und Bereitstellung bodengestützter Integrität unter Verwendung von Big-Data- und
maschinellen Lernverfahren