แผ่นชิป GPS ที่มีความแม่นยำสูงกับสมาร์ทโฟนในปีพ.ศ. 2561

ภาพประกอบโดย Miguel Navarro /Getty Images

คุณกำลังขับรถโดยใช้ทางด่วน ตามคำแนะนำของ Google Maps เมื่อ Siri บอกคุณว่าให้ไปทางทิศตะวันออกในอีก 500 เมตร

จากนั้นให้ขึ้นทางด่วน ทั้ง ๆ ที่คุณก็อยู่บนทางด่วนอยู่แล้ว ทุกคนล้วนแต่เคยผ่านประสบการณ์นี้มาแล้วทั้งนั้น ระบบ GPS ของคุณไม่มีแม่นยำเพียงพอสำหรับโปรแกรมนำทางที่จะระบุได้ว่าคุณอยู่บนทางด่วนหรืออยู่บนถนนใต้ทางด่วน

แต่ปัญหาเหล่านี้กำลังหมดไป การประชุมทางด้านเทคนิค ION GNSS+ ที่ใหญ่ที่สุดในโลกใน พอร์ทแลนด์ รัฐออริกอน บริษัท Broadcom ประกาศว่านี้เป็นการทดลองตลาดใหม่ของแผ่นชิปนี้ที่จะได้รับผลประโยชน์จากนวัตกรรมใหม่ของสัญญานจากระบบนำทางด้วยดาวเทียม และจะนำมาซึ่งสมาร์ทโฟนรุ่นใหม่ที่มีความแม่นยำในระยะ 30 เซนติเมตรแทนที่รุ่นปัจจุบันที่มีความแม่นยำแค่ 5 เซนติเมตร ยิ่งดีไปกว่านั้น แผ่นชิปสามารถใช้งานในเมืองที่มีตึกสูงจำนวนมากและใช้พลังงานแค่เพียงครึ่งหนึ่งของรุ่นปัจจุบัน แผ่นชิป BCM47755 ได้ถูกนำไปเป็นส่วนหนึ่งของสมาร์ทโฟนบางรุ่นที่จะเปิดตัวในปี พ.ศ. 2561 แล้ว แต่บริษัท Broadcom จะยังไม่เปิดเผยว่ารุ่นไหน

ระบบ GPS และ ะบบนำทางด้วยดาวเทียม (GNSSs) อื่น ๆ ตัวอย่างเช่น ระบบของประเทศญี่ปุ่น เช่น Galileo, QZSS และ ระบบของประเทศรัสเซีย Glonass ที่ส่งเสริมให้ตัวรับสัญญานสามารถกำหนดตำแหน่งของตัวมันเองได้โดยคำนวนระยะทางจากดาวเทียม 3 ดวง หรือมากกว่านั้น ดาวเทียม GNSS ทั้งหมด ทั้งรุ่นเก่าและรุ่นใหม่ที่ยังใช้งานอยู่ จะกระจายสัญญานที่เรียกว่า สัญญาณ L1 ที่ซึ่งรวมข้อมูลเกี่ยวกับตำแหน่งที่ตั้งของดาวเทียม เวลา และระบุรูปแบบของสัญลักษณ์ ยิ่งแพร่กระจายสัญญานรุ่นใหม่ สัญญานก็ยิ่งซับซ้อนมากขึ้น นำมาซึ่งสัญญาน L5 ที่คลื่นความถี่ที่แตกต่างมากกว่าสัญญาน L1 ตัวรับสัญญานจำเป็นที่จะต้องใช้สัญญานเหล่านี้เพื่อปรับปรุงระยะทางของตัวมันจากดาวเทียมแต่ละดวง โดยจะคำนวนจากระยะทางที่สัญญานต้องเดินทางจากดาวเทียมไปยังตัวรับสัญญาน

ตัวรับสัญญานของบริษัท Broadcom เริ่มใช้สัญญาน L1 เชื่อมต่อกับดาวเทียม และหลังจากนั้นได้พัฒนาเปลี่ยนเป็น L5 ที่มีความแม่นยำที่สูงกว่า โดยเฉพาะเมืองต่าง ๆ ที่มีตึกสูงจำนวนมาก เพราะว่าจะลดแนวโน้มที่สัญญานจะบิดเบือนจากการสะท้อนหลากหลายรูปแบบมากกว่า L1

 

สัญญาน L5 มีประโยชน์อย่างไร

ในบริเวณตัวเมือง สัญญานดาวเทียมส่งถึงตัวรับสัญญาณทั้งโดยตรงและโดยการกระทบและสะท้อนกลับจากตึกหลายตึก สัญญานโดยตรงหรือการสะท้อนอื่น ๆ ในเวลาที่ใกล้เคียงกัน และหากคลาดเวลาในช่วงนั้นไป จะเพิ่มรูปแบบแหล่งสัญญาน Blob ตัวรับสัญญานตรวจจับจุดสูงสุดของ Blob เพื่อแก้ปัญหาเวลารับสัญญาน แต่ยิ่ง Blob มีความยุ่งเหยิงมากเท่าไหร่ ความแม่นยำก็ยิ่งถูกแก้ไขน้อยลงเท่านั้น และความแม่นยำที่น้อยของตำแหน่งการคำนวนสุดท้ายที่ควรจะเป็น

อย่างไรก็ตาม สัญญาน L5 นั้นมีระยะสั้นมากที่การสะท้อนจะซ้อนทับกันกับสัญญานโดยตรง ชิปรับสัญญานจะปฏิเสธการเชื่อมต่อสัญญานอื่น ๆ หลังจากที่ได้เชื่อมต่อสัญญานแรกแล้ว ที่ซึ่งเป็นวิธีทางโดยตรง ชิปของบริษัท Broadcom นั้นก็ใช้ข้อมูลในช่วงสัญญานผู้ให้บริการเพื่อที่จะปรับปรุงความแม่นยำ

แต่กระนั้นก็มีระบบขั้นสูงที่ใช้ L5 ในท้องตลาดอยู่ เป็นความต้องการของอุตสาหกรรมทั่วไป เช่นการสำรวจน้ำมันและก๊าซ BCM47755 ของบริษัท Broadcom เป็นชิปที่ปล่อยสู่ตลาดรุ่นแรกที่ใช้ทั้ง L1 และ L5

ทำไมสิ่งนี้ถึงได้เกิดขึ้น ณ ตอนนี้? Manuel del Castillo ผู้อำนวยการฝ่ายการตลาดผลิตภัณฑ์ GNSS ของบริษัท Broadcom เผยว่า “จนถึงตอนนี้ จำนวนของดาวเทียม L5 มีเพียง 30 ดาวเทียมในระยะวงโคจร ซึ่งไม่เพียงพอ” ในจำนวนดาวเทียม 30 ดาวเทียมนี้ นับเพียงดาวเทียมที่โคจรอยู่เหนือประเทศญี่ปุ่นและออสเตรเลีย อีกมุมมองหนึ่งจากในเมือง 1 เมือง “ขณะที่ท้องฟ้านั้นแคบ คุณก็สามารถมองเห็น 6-7 ดาวเทียมได้ ซึ่งเป็นเรื่องที่ดี เพราะฉะนั้นนี่เป็นช่วงเวลาที่เหมาะสมในการปล่อยตัวเพิ่ม” Del Castillo ได้กล่าวเพิ่มเติมไว้

 

ทำไมถึงต้องเป็นความถี่คู่?

Broadcom จะต้องปรับปรุงความแม่นยำให้สำเร็จภายในงบประมาณด้านพลังงานที่จำกัดของสมาร์ทโฟน โดยพื้นฐานมีอยู่ 3 ข้อ คือการย้ายเข้าไปสู่กระบวนการผลิตชิปขนาด 28 นาโนเมตรที่มีประสิทธิภาพมากยิ่งขึ้น การนำนวัตกรรมวิทยุแบบใหม่ (ซึ่ง Broadcom จะไม่เปิดเผยรายละเอียด) และการออกแบบจุดเซนเซอร์ dual-core แบบประหยัดพลังงาน โดยรวมแล้วพวกเขาจะช่วยประหยัดพลังงานได้ถึง 50 เปอร์เซ็นต์จากชิปที่มีความแม่นยำน้อยกว่าก่อนหน้านี้ของ Broadcom

ในส่วนของสมาร์ทโฟน จุดศูนย์กลางเซนเซอร์จะดึงข้อมูลดิบจากเซนเซอร์ของระบบและประมวลผลข้อมูลเพื่อให้ได้เฉพาะข้อมูลที่ตัวประมวลผลของโทรศัพท์จำเป็นต้องใช้ ดังนั้นการรับภาระด้านการคำนวนและพลังงานนั้นแยกจากตัวประมวลผลการใช้งาน ตัวอย่างเช่น จุดรวมเซนเซอร์อาจตรวจสอบเครื่องวัดความเร่งที่กำลังมองหาสัญญานจากที่คุณกลับด้านโทรศัพท์จากแนวตั้งเป็นแนวนอน จากนั้นมันจะส่งตัวประมวลผลการใช้งานเทียบกับคำว่า “แนวนอน” แทนการเร่งความเร็วที่ซับซ้อน

จุดรวมเซนเซอร์ใน BCM47755 ใช้ประโยชน์จากการออกแบบ “big.LITTLE” ของ ARM ซึ่งเป็นสถาปัตยกรรมแบบ dual-core ที่ซึ่งแกนประมวลผลที่ใช้พลังงานต่ำแบบง่ายจะจับคู่กับแกนที่ซับซ้อนมากขึ้น ในกรณีนี้แกนพลังงานต่ำ (low-power core) ก็คือ ARM Cortex M-0 จัดการอย่างเรียบง่ายและต่อเนื่อง สิ่งที่มีพลังอำนาจมากขึ้นกว่าคือ Cortex M-4 แต่จะทำหน้าที่เมื่อถูกต้องการเท่านั้น

[เพิ่มเติม: ARM ก็คือไมโครโพรเซสเซอร์ ที่ถูกออกแบบเป็นหน่วยประมวลผล ที่สามารถลดจำนวนคำสั่ง ให้เหลือน้อยที่สุด เพื่อให้เกิดการประมวลที่มีประสิทธิภาพ และรวดเร็ว ซึ่งการทำงานนั้นจะแตกต่างกับพวก CPU x64 หรือพวก Intel และ AMD ในปัจจุบัน ซึ่งมันมีข้อดีต่างกัน เอาให้เห็นภาพง่าย ๆ คือ ARM จะใช้พวก iOS, Android ส่วน CPU x64 จะใช้พวก Windows, MacOS นั่นเอง]

BCM47755 เป็นเพียงการพัฒนาล่าสุดในการพลักดันระดับโลกสำหรับความแม่นยำในการนำทางในระดับเซนติเมตร Bosch, Geo++, Mitsubishi Electric และ U-blox ก่อตั้งบริษัทร่วมทุนชื่อว่า Sapcorda Services ในเดือนสิงหาคม เพื่อเพิ่มความแม่นยำระดับเซนติเมตรมากยิ่งขึ้น บริษัท Sapcorda นั้นดูเหมือนว่าจะดำเนินการขึ้นอยู่กับสถานีภาคพื้นดินเพื่อวัดค่าความผิดพลาดในสัญญาน GPS และดาวเทียม Galileo เนื่องจากความบิดเบือนทางสภาพอากาศ การวัดค่าดังกล่าวจะถูกส่งไปยังผู้รับ โดยเข้าทางโทรศัพท์และระบบอื่น ๆ เพื่อปรับปรุงความแม่นยำ

ระบบดาวเทียมแบบ Quasi-Zenith (QZSS) ที่มีมูลค่ากว่า 1.9 พันล้านเหรียญสหรัฐของประเทศญี่ปุ่น ยังคงมีการแก้ไขข้อผิดพลาดอยู่ แต่ก็มีการปรับปรุงระบบการนำทางในเมืองด้วยการเพิ่มชุดดาวเทียมที่จะช่วยยืนยันสิ่งหนึ่งคือให้สามารถมองเห็นได้โดยตรง ถึงแม้ว่าอยู่ในพื้นที่ที่หนาแน่นที่สุดของกรุงโตเกียว 1 ใน 3 ของดาวเทียมทั้ง 4 ดวงได้เปิดตัวในเดือนสิงหาคม ส่วนดาวเทียมดวงที่ 4 มีการวางแผนไว้ในเดือนตุลาคม และระบบจะเผยแพร่สู่ระบบออนไลน์ในปีพ.ศ. 2561

 

ที่มาบทความ : บทความโดย Samuel K. Moore, เว็บไซต์ spectrum.ieee.org บันทึก : เมื่อวันที่ 21 กันยายน พ.ศ. 2560
สืบค้นจาก : https://spectrum.ieee.org/tech-talk/semiconductors/design/superaccurate-gps-chips-coming-to-smartphones-in-2018

Copyright © 2018 LEARN : อาณาจักรภูมิสารสนเทศ อาณาเขตแห่งการเรียนรู้

LEARN