Come può un piccolo chip riconoscere un segnale GPS disturbato?

I segnali dei satelliti GPS sono così deboli che basta un po' di rumore radio per farli impazzire. Per questo, i ricercatori hanno creato un nuovo metodo chiamato "Dictionary-Based Contrastive Learning" (DBCL) che permette ai dispositivi embedded, come i chip dei droni o delle auto, di capire in tempo reale se il segnale è stato disturbato da un jammer. Il trucco sta nell'usare due tecniche: il contrastive learning, che insegna al modello a distinguere tra segnali puliti e rumorosi, e una sorta di "dizionario" di caratteristiche che rende il riconoscimento più veloce. Inoltre, il modello viene compattato con pruning strutturato e knowledge distillation, riducendo memoria e latenza senza perdere precisione. Nei test, DBCL ha superato architetture famose come CNN, MobileViT e ResNet‑18, mantenendo alta accuratezza anche con pochi dati di addestramento. Il risultato è un algoritmo leggero, pronto per essere integrato in dispositivi a bassa potenza, capace di avvisare subito di un attacco di jamming e garantire la sicurezza di navigazione.

Il DBCL si basa su una loss function ibrida: da un lato, il contrastive loss spinge le rappresentazioni di segnali GNSS puliti e disturbati a massimizzare la distanza euclidea nello spazio latente; dall'altro, il dictionary loss impone che ogni vettore di attivazione sia ricostruibile da un insieme limitato di atomi pre‑definiti, favorendo la sparsità. Questa combinazione migliora la separabilità delle classi anche con dataset ridotti, tipico dei sistemi embedded che non possono raccogliere grandi quantità di dati in situ. Per la compressione, il pruning strutturato rimuove interi canali convoluzionali a bassa importanza, mantenendo la topologia della rete e riducendo il numero di operazioni di moltiplicazione. La knowledge distillation, invece, trasferisce le conoscenze da un modello “teacher” più grande a un “student” più piccolo, minimizzando la divergenza tra le loro distribuzioni di output mediante Kullback‑Leibler divergence. I risultati sperimentali mostrano una riduzione del 70% della memoria occupata e un miglioramento del 40% nella latenza di inferenza, con una perdita di accuratezza inferiore all'1%. Queste caratteristiche rendono DBCL ideale per applicazioni critiche come la navigazione autonoma, dove la rapidità di risposta e il consumo energetico sono vincoli stringenti.