위성항법시스템(Global Navigation Satellite System, GNSS)의 신호 품질 이상을 탐지하는 Signal Quality Monitoring (SQM) 기술은 위성 신호 왜곡에 따른 위치 오차를 사전에 방지하는 데 필수적이다. 특 히 항 공 분야에서는 높은 무결성이 요구되어 SQM은 Local Area Augmentation System (LAAS) 및 Wide Area Augmentation System (WAAS)와 같은 보강 항법 시스템에서 핵심적으로 적용되고 있다. 기존에는 복 수 의 correlator 출력을 조합하는 휴리스틱 기반 SQM 기법이 주로 활용되었으나 최근에는 다양한 신호 형식과 수신기 환경에 유연하게 대응할 수 있는 새로운 기법에 대한 연구가 활발히 진행되고 있다. 그 러 나 기존의 SQM 방식은 사전에 설정된 임계값 만으로 이상 여부를 판단하기 때문에 예측되지 않은 노이즈나 비정상 상태에 대해 정확하게 대응하지 못하는 일반화 성능의 한계를 지닌다. 본 연구에서는 이 러한 한계를 극복하기 위해 Autoencoder (AE) 기반 비지도 학습과 XGBoost 기반 지도 학습을 결합한 머신러닝 기반 SQM 이상 탐지 방식을 제안한다. 본 방식은 노이즈에 따른 다양한 신호 품질 이상에 대 해 높은 적응력을 보이며 반복적인 데이터 수집 및 활용을 통해 점진적인 성능 향상이 가능함을 실험적으로 확인하였다. 특히 비지도–지도–지속학습으로 이어지는 구조화된 방식에 기반하여 노이즈에 강인 한 SQM 이상 탐지 기술로서 높은 확장성과 적용 가능성을 가진다.

Machine Learning Techniques for Signal Quality Monitoring (SQM)-Based Anomaly Detection

Dayeon Lee, Euiho Kim*

Signal quality monitoring (SQM) technology plays a critical role in global navigation satellite system (GNSS) operations by detecting signal distortions that may cause positioning errors. In aviation applications, where high integrity is required, SQM is a core component of augmentation systems such as the local area augmentation system (LAAS) and the wide area augmentation system (WAAS). Traditional SQM approaches, based on heuristic methods using multiple correlator outputs, have been widely used. However, recent research has focused on developing more flexible techniques that can adapt to various signal formats and receiver configurations. Conventional SQM methods rely on fixed thresholds, making them less effective in handling unforeseen noise and abnormal signal conditions, thereby limiting their generalization performance. To overcome these limitations, this study proposes a machine learning-based SQM anomaly detection method that combines unsupervised learning using an autoencoder (AE) and supervised learning using XGBoost. The proposed approach demonstrates strong adaptability to diverse signal quality anomalies caused by noise and shows gradual performance improvement through iterative data utilization. By employing a structured learning flow that integrates unsupervised, supervised, and continual learning, the method offers high scalability and applicability as a noise-resilient SQM anomaly detection technique.

Keywords: signal quality monitoring, machine learning, GNSS

Speaker 이다연 홍익대학교