Shading Detection in GNSS Systems for John Deere

Abstract

Creación de un sistema capaz de detectar la incidencia de sombra sobre una antena GPS utilizando algoritmos de Machine Learning formado por varios bloques. El primero consiste en la recolección de datos GPS utilizando el receptor Sparkfun ZED-F9P, conectado a una antena y a un Arduino MEGA, el cual procesa los datos recibidos enviándolos a un ordenador. Para ello es necesario utilizar la librería de Arduino de Sparkfun, que permite una interfaz directa con el receptor. La colección de datos se ha de llevar a cabo a lo largo de varios meses, cambiando regularmente la localización, movimiento, y tipo de sombreado utilizado para asegurar la integridad de los datos. Después, los datos recogidos son introducidos en un script de Python donde son preprocesados y limpiados, añadiendo a cada línea una variable categórica binaria que determina si la medida se recogió bajo sombra o no, para proceder al entrenamiento de varios algoritmos de machine learning. Entre ellos se incluyen varios métodos de ensemble, como Random Forest o CatBoost, así como SVM y redes neuronales básicas. Después se evalúan los resultados obtenidos con la muestra de prueba y se selecciona el modelo con mayor cantidad de aciertos (accuracy). Una vez recogidos suficientes datos y escogido y adaptado el modelo final se procede a recomendar a John Deere, empresa colaboradora del proyecto, sobre si lanzar una línea de investigación basada en la idea propuesta.

This report aims to provide a thorough summary and assessment for a shading detection device, developed in the University of Texas at Austin in collaboration with John Deere. This project intended to identify the satellite and tractor communication disruption that occurs when a tractor travels beneath an object. The Global Navigation Satellite System (GNSS), a collective designation for a network of satellites that uses trilateration to determine position, is how the tractor communicates with the satellite. In order to determine when a tractor travels underneath an object and connection between the two is broken Machine Learning techniques are introduced. The presented solution was to develop, train, and test different models integrating signal processing techniques from data collected on a GNSS board to predict shading conditions of raw GNSS data. The final deliverable for John Deere will be a recommendation on whether to pursue this line of research further, as they, for privacy issues, were not able to facilitate their proprietary dataset, and therefore a significant part of the project consists on collecting the data on which the machine learning models will be trained and evaluated. The totality of this report is the recommendation for continued development where a conclusion will be provided on the effectiveness of using GNSS data to predict shading conditions.