卫星导航的局限与研究背景
卫星导航已经深度融入日常生活，但在室内环境以及高楼密集的城市街区，信号容易被遮挡或反射，定位结果往往不稳定。针对这一现实挑战，瓦萨大学博士生 Akpojoto Siemuri 在其博士论文中，系统研究了如何利用自适应机器学习与先进传感器融合技术，来提升定位系统的准确性、鲁棒性和效率。
精准定位支撑关键服务
高精度定位是现代社会多种关键服务的基础能力：
- 为智能手机导航提供可靠位置
- 支撑高效的物流与交通运输系统
- 在紧急救援与应急响应中提供关键时空信息
在这些场景中，定位误差或延迟都可能带来显著影响，尤其是在“每一秒都很重要”的应急任务中。
城市环境中的定位挑战
在高楼林立的城市峡谷中，卫星信号容易被建筑物阻挡或多路径反射；在室内环境中，GNSS 信号往往微弱甚至不可用。这会导致用户在城市区域中出现位置突然跳变、轨迹漂移或精度明显下降。
Siemuri 在自动化技术领域的研究聚焦于：如何将机器学习方法与现有传感器和智能手机硬件结合，弥补卫星信号的不足，从而提高整体定位性能。
多传感器融合与智能手机的角色
Siemuri 指出，智能手机是全球最普及的数字终端之一，若能增强其定位能力，将有助于构建更智能的城市与数字服务。
其研究强调通过多源信息融合实现无缝定位，包括：
- 全球导航卫星系统（GNSS）
- 智能手机内置的惯性传感器（如加速度计、陀螺仪）
- 超宽带（UWB）等短程高精度定位技术
通过自适应机器学习算法对这些传感器数据进行融合与校正，有望在室内外环境之间实现连续、稳定的定位体验。
TinyML：在终端侧运行的可信 AI
论文重点讨论了 TinyML 的应用，即在智能手机、可穿戴设备等终端设备上直接运行轻量级机器学习模型。与依赖云端计算的方案相比，基于设备端的机器学习具有多重优势：
- 隐私保护：数据无需或尽量少上传云端，敏感位置信息可留在本地处理。
- 能效提升：减少网络通信与远程计算开销，有助于降低整体能耗。
- 响应更快：本地推理减少延迟，提升用户体验。
Siemuri 解释道，这些模型在设计时强调轻量化与高效性，使得定位精度的提升不会以大量电量消耗为代价，从而避免对电池寿命造成明显影响。这也契合了“可信赖与负责任的人工智能”的理念，与欧盟《人工智能法案》中提出的原则相呼应。
展望：机器学习与低轨卫星定位
在未来工作展望中，Siemuri 进一步探讨了机器学习在低地球轨道（LEO）卫星轨道确定中的应用潜力。通过改进对 LEO 卫星轨道的精确估计，有望增强下一代定位基础设施的整体性能。
与传统 GNSS 卫星相比，低轨卫星距离地球更近，在信号强度和抗干扰能力方面具有潜在优势。Siemuri 认为，将自适应机器学习方法与低轨卫星系统结合，有望在复杂环境中显著提升定位的可靠性和精度，为未来的导航与位置服务提供更坚实的技术基础。
