VAIPOSA promuje weryfikowalną sztuczną inteligencję dla odpornego systemu PNT

Projekt VAIPOSA (Verifiable AI Positioning Applications) zakończył się sukcesem w czerwcu. Był to ważny krok w badaniu możliwości wykorzystania możliwości sztucznej inteligencji do poprawy odporności i niezawodności rozwiązań w zakresie pozycjonowania, nawigacji i synchronizacji (PNT). Projekt VAIPOSA, finansowany przez Europejską Agencję Kosmiczną (ESA) w ramach programu NAVISP, realizowany był pod kierownictwem FBK (Fondazione Bruno Kessler) przy udziale firmy GMV.  

W ramach projektu zbadano, w jaki sposób zastosować metody nawigacji wykorzystujące sztuczną inteligencję, zachowując jednocześnie niezawodność, identyfikowalność oraz poziomy bezpieczeństwa wymagane w zastosowaniach o krytycznym znaczeniu dla bezpieczeństwa. Projekt VAIPOSA wykazał, że połączenie systemów GNSS (globalnego systemu nawigacji satelitarnej) i SLAM (jednoczesnej lokalizacji i mapowania) w ramach struktury zapewniającej nadzór nad bezpieczeństwem może zwiększyć niezawodność w porównaniu z niezależnymi rozwiązaniami nawigacyjnymi, zwłaszcza w trudnych warunkach. Firma GMV pomogła w stworzeniu architektury nawigacyjnej poprzez zintegrowanie wirtualnego odbiornika GNSS PPP o wysokiej dokładności z otwartym oprogramowaniem do symulacji jazdy autonomicznej CARLA, co umożliwiło wykorzystanie pozycjonowania opartego na GNSS za pomocą technik SLAM opartych na sztucznej inteligencji. 

Kampania testowa przeprowadzona w ramach projektu obejmowała symulacje jazdy autonomicznej w różnych typach środowisk miejskich, a także w różnych warunkach pogodowych i przy różnej widoczności. Jednym z głównych wyników było opracowanie i ocena koncepcji o nazwie „Safety Cage”, która monitoruje działanie komponentów nawigacyjnych, przypisuje im wagi niezawodności oraz umożliwia zastosowanie środków ograniczających ryzyko w przypadku wykrycia nieprawidłowego działania. 

Wciąż pozostają do rozwiązania istotne wyzwania, między innymi integracja dodatkowych czujników, takich jak IMU (inercyjne jednostki pomiarowe), oraz konieczność dalszych badań nad integralnością w systemach nawigacji wieloczujnikowej. W przypadku łączenia danych z systemów GNSS, SLAM i innych źródeł informacji o położeniu nie wystarczy oceniać każdego elementu z osobna: konieczne jest zrozumienie, w jaki sposób informacje dotyczące niepewności, wiarygodności i integralności każdego z nich powinny być łączone i przekazywane na poziomie całego systemu. Opracowanie ujednoliconych ram dotyczących niepewności i integralności danych z wielu czujników pozostaje istotnym zagadnieniem, które wymaga dalszych badań w przyszłości.