Notre ACTUALITé

02/09/2025

L’Agence spatiale européenne (ESA) a récompensé le travail d’ABBIA GNSS Technologies en lui remettant un prix lors de l’événement commémoratif « 30 ans de navigation par satellite européenne », qui s’est tenu au Centre européen de recherche et de technologie spatiales (ESTEC) à Noordwijk, aux Pays-Bas, le 2 septembre. Ce prix souligne l’excellence d’ABBIA en matière d’ingénierie GNSS, son engagement et son partenariat de longue date qui ont contribués au succès des programmes européens de navigation par satellite.

Cet événement, qui marquait le trentième anniversaire du lancement de l’initiative européenne de navigation par satellite, a réuni plus d’une centaine de représentants d’institutions, d’États membres et d’entreprises, et a bénéficié de la participation du directeur général de l’ESA, Josef Aschbacher, et du directeur de la navigation de l’ESA, Javier Benedicto.

Bertrand Ekambi, fondateur et directeur d’ABBIA GNSS Technologies, a reçu le prix lors de la cérémonie. L’entreprise a exprimé sa gratitude pour cette reconnaissance, qui reflète son engagement en faveur de l’excellence scientifique et de la collaboration dans les programmes spatiaux européens.

EGNOS GALILEO

21-23/05/2025

ABBIA DATA SCIENCE a participé à l’ENC 2025 à Wroclaw, en Pologne, au mois de mai.

Nous avons présenté un article de Recherche et Développement intitulé « Toward an Interpretable Multipath Error Model from GNSS Observables through the Application of Deep Learning ».

La dégradation des mesures GNSS causée par le multi-trajet est la principale source d’erreur dans les zones urbaines. La réduction efficace de cette source d’erreur reste un défi pour les récepteurs GNSS autonomes à faible coût. La complexité associée au développement de modèles des dégradations liées au multi-trajet nécessite l’utilisation de méthodes avancées telles que l’apprentissage profond.

Cependant, les méthodes basées sur l’apprentissage profond sont généralement difficiles à déployer en raison d’un manque de confiance général dans leurs prédictions, du fait de leur fonctionnement souvent qualifié de « boîte noire ». Ce travail aborde la notion d’interprétabilité et de généralisation des modèles de dégradation du multi-trajet  obtenus à l’aide d’Auto-Encodeurs.

Nous démontrons la capacité des Auto-Encodeurs à générer des représentations interprétables et à généraliser à des situations inédites.

Mots clés : Data Science, GNSS, Deep Learning, Multipath, Self-Supervised Learning, Auto-Encoder, Interpretability