Nella navigazione GNSS, Least Squares (LS) e filtro di Kalman rimangono gli algoritmi più popolari grazie alla loro semplice implementazione, robustezza e interpretabilità. 

In altri contesti è popolare l’uso di approcci black-box o, eventualmente, ibridi, basati su soluzioni di machine learning. 

La tesi ha quindi due possibili obiettivi. Dato un dataset di misure GNSS, simulato o anche reale, utilizzando quindi misure raccolte dallo studente stesso, si propone di 

1. Implementare recenti tecniche di letterature basate su ML, ad esempio KalmanNET, KalmanFormer, e graph neural network, e confrontarne le performance in contensto di navigazione. 
2. Sviluppare un meccanismo di controllo che, data una soluzione basata su ML ne valuti l'affidabilità, che quindi permetta all'utente di capire si affidarsi alla soluzione black-box, potenzialmente più precisa, o alla soluzione white-box.

Per informazioni contattare francesco.ardizzon@unipd.it o stefano.tomasin@unipd.it