Li et al., 2024
PDF : arXiv:2404.13955

🎯 Idée générale

Ce travail propose un système de reconnaissance de contexte GNSS (Navigational Context Recognition, NCR) basé uniquement sur les mesures d’un récepteur GNSS (C/N0, azimuts des satellites, géométrie visible).
L’objectif est de permettre à un système de navigation ou de fusion multi-capteurs d’adapter dynamiquement son mode de fonctionnement selon le contexte :

• open sky
• urban canyon
• avenue arborée
• semi-outdoor
• viaduct-down
• shallow indoor
• deep indoor

Le tout sans IMU, sans UWB, sans vision, avec un modèle léger et temps réel basé sur un GRU.

🧱 Contributions principales

1. Cadre de classification en 7 classes (très fin-grainé)

Plus détaillé que les cadres habituels (3 à 4 classes). Utile pour
évaluer la robustesse d’un pipeline GNSS/INS selon le contexte.

2. Nouveau descripteur : C/N0-weighted azimuth distribution factor (r)

• Mesure comment l’énergie GNSS est orientée par rapport à un bisecteur.
• Discriminant clé pour distinguer :
  • shallow indoor (r ≫ 1 : signaux provenant d’un angle restreint)
  • viaduct-down (r ≈ 1 : obstruction symétrique)
• Résout plusieurs ambiguïtés qui affectaient les méthodes traditionnelles.

3. Modèle GRU léger

• 2 couches / 180 unités
• Fenêtre temporelle : 6 échantillons → latence ≈ 1,2 s
• Conçu pour tourner en temps réel sur matériel embarqué.

4. Dataset public (~60 000 échantillons)

• Récepteur u-blox F9K à 5 Hz
• 7 × 7 sessions réelles
• Données synchronisées par ground truth inertiel

📊 Résultats clés

✔️ Scénarios isolés

• GRU : 99,41 % (meilleur)
• SVM-TF : 99,35 %
  Les erreurs se concentrent sur les couples proches : avenue ↔ semi-outdoor, viaduct-down ↔ shallow indoor.

✔️ Scénarios de transition

• GRU : 94,95 %
• SVM-TF : 90,99 %
  Performance robuste lors des changements rapides de contexte.

✔️ Latence

• ≈ 2,14 s (fenêtre temporelle + propagation réseau)

🎥 Visualisations et analyses

• Figures 4–5 : matrices de confusion révélant l’effet du feature r.
• Figures 6–8 : transitions temporelles montrant la stabilité de prediction.
• Le GRU absorbe mieux les variations brusques du C/N0.

🧠 Pertinence pour RS3 / Telemachus

Intérêt potentiel

• Peut être utilisé pour simuler le “GNSS context” dans RS3 : open sky vs canyon vs indoor.
• Le descripteur r pourrait enrichir les champs qualité dans RFC‑0005 (Telemachus).
• Utile comme pré-filtre pour des pipelines GNSS/INS robustes en urbain (P004, P007).

Limites pour ton écosystème

• Pas de traitement inertiel → limité pour P004.
• Pas de fusion vision/inertie → non central pour P007.
• Pas de lien direct avec RoadGeometry.
  → Ce papier reste informatif mais non stratégique, donc pas de fiche Axxx.

📌 Conclusion

Bon article technique sur la reconnaissance de contexte GNSS-only via un GRU léger.
Apporte un descripteur r intéressant pour des extensions qualité GNSS.
Fiche conservée uniquement dans notes/.