Přesné určování polohy se snadno popisuje, ale překvapivě obtížně měří. Přijímač GNSS může fungovat velmi dobře v otevřeném prostoru, zatímco ve městě obklopeném vysokými budovami, pod hustými korunami stromů nebo v blízkosti víceúrovňových silnic, kde dochází k odrazům a stínění satelitních signálů, může mít problémy. Pro automobilové aplikace je proto testování v těchto náročných prostředích stejně důležité jako měření výkonu za ideálních podmínek.

Metodika testování technologie Supercorrelation a softwaru S-GNSS Auto od společnosti FocalPoint ukazuje, jak složité se toto vyhodnocování může stát. Zásadní výzvou je stanovení spolehlivé referenční hodnoty (tzv. ground truth): referenční polohy, která je výrazně přesnější než testovaný přijímač. Společnost využívá těsně provázané referenční systémy GNSS/INS kombinující špičkové inerciální senzory s dvouanténními GNSS přijímači a propracovaným post-processingem (dodatečným zpracováním dat).

Testování probíhá v různých geografických a environmentálních podmínkách, včetně městských zástaveb („městských kaňonů“), oblastí s hustou vegetací, podjezdů a tras pod širým nebem. Posuzuje se rovněž několik konstelací GNSS a frekvenčních pásem, přičemž výsledky se porovnávají s komerčními přijímači od jiných výrobců.

Důležitý je rozdíl mezi dvěma úrovněmi přesnosti. Analýza v doméně měření zkoumá neupravená surová data GNSS, jako je pseudovzdálenost (pseudorange) a Dopplerův posun, dříve, než jsou proměněna na konkrétní polohu. Analýza v polohové doméně následně vyhodnocuje konečnou polohu a rychlost, která je poskytnuta uživateli. Zkoumání obou úrovní pomáhá identifikovat nejen to, zda se přesnost zlepšila, ale také proč k tomu došlo.

Analytický proces kombinuje statistické a kauzální (příčinné) metody. Funkce kumulativního rozdělení mohou ukázat celkové chybové chování na různých percentilech, zatímco detailní zkoumání jednotlivých událostí dokáže odhalit vzácné typy selhání skryté v jinak přesvědčivých výsledcích. Syntetické signály GNSS doplňují testování v reálném světě tím, že poskytují přesně známé podmínky pro vývoj algoritmů a zátěžové testování, ačkoliv výsledky ze simulací je stále nutné validovat vůči reálným měřením.

Tato kombinace získává na významu s tím, jak se GNSS stává stále důležitějším vstupem pro ADAS, V2X a automatizované řízení. Spolehlivé určování polohy nelze prokázat jedním jediným údajem o přesnosti. Vyžaduje opakovatelné testování, důvěryhodnou referenční hodnotu a pochopení toho, co se děje na samotných hranicích výkonu systému.

Více informací o tématu najdete zde.

Celý článek najdete zde.

CROCKETT, Mark. How we test: FocalPoint's approach to rigorous GNSS performance evaluation. FocalPoint [online]. 2. září 2026 [cit. 2026-09-18]. Dostupné z: https://focalpointpositioning.com/resources/insights/blogs/how-we-test-focalpoints-approach-to-rigorous-gnss-performance-evaluation/

Obrázek: ChatGPT