自 20 世紀(jì) 60 年代問世以來，卡爾曼濾波器至今已廣泛用于制導(dǎo)和導(dǎo)航應(yīng)用。它經(jīng)歷了許多旨在改進(jìn)基本實(shí)現(xiàn)的調(diào)整，例如擴(kuò)展的無味卡爾曼濾波器。然而，近年來，基于人工神經(jīng)網(wǎng)絡(luò)（ANN）處理的新過濾方法取得了重大突破，將慣性導(dǎo)航行業(yè)推入了一個(gè)新時(shí)代。

      直到最近，慣性導(dǎo)航應(yīng)用的人工智能 (AI) 領(lǐng)域還沒有取得具體進(jìn)展，直到 2012 年高級(jí)導(dǎo)航開始將大學(xué)研究的融合神經(jīng)網(wǎng)絡(luò)商業(yè)化。

      隨著 GNSS 干擾和欺騙技術(shù)的廣泛使用，風(fēng)險(xiǎn)進(jìn)一步加大。這迫使國防組織放棄僅使用 GNSS 獲取位置信息的解決方案，轉(zhuǎn)而采用能夠提供必要精度和可靠航位推算性能的慣性導(dǎo)航系統(tǒng) (INS) 解決方案。

      人工神經(jīng)網(wǎng)絡(luò) (ANN) 是如何工作的？

      從本質(zhì)上講，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，隨著時(shí)間的推移，隨著更多數(shù)據(jù)的出現(xiàn)，它能夠?qū)碜愿鞣N傳感器的輸入轉(zhuǎn)換為更好的結(jié)果輸出。更準(zhǔn)確地說，典型的人工神經(jīng)網(wǎng)絡(luò)會(huì)經(jīng)歷兩個(gè)不同的階段。

        ?在初始階段，組成人工神經(jīng)網(wǎng)絡(luò)的處理單元被“教授”一組用于指導(dǎo)結(jié)果的學(xué)習(xí)規(guī)則，通過比較實(shí)際產(chǎn)生的輸出與期望的輸出來識(shí)別數(shù)據(jù)模式。

        ?第二階段，將校正（稱為反向傳播）應(yīng)用于實(shí)際數(shù)據(jù)以實(shí)現(xiàn)所需的輸出。

      Advanced Navigation 的解決方案采用長短期記憶 (LSTM) 人工智能原理，非常適合根據(jù)重要事件之間持續(xù)時(shí)間可變的傳感器數(shù)據(jù)進(jìn)行分類、處理和預(yù)測。

      由于 LSTM 的運(yùn)行時(shí)間跨度較長，因此與通常與卡爾曼濾波器相關(guān)的隱馬爾可夫模型相比，它對(duì)間隙長度相對(duì)不敏感。

      Advanced Navigation 的 ANN 依賴于三種類型的內(nèi)存：

      1、在實(shí)驗(yàn)室中，基于在各種環(huán)境中進(jìn)行的多個(gè)小時(shí)的測試，長期學(xué)習(xí)被硬編碼在推理引擎中。

      2、在現(xiàn)場，短期學(xué)習(xí)每秒更新推理引擎中的模型兩次。這種學(xué)習(xí)受到更多限制，并提供我們所謂的“中等水平學(xué)習(xí)”。

      3、每分鐘一次，“深度學(xué)習(xí)”會(huì)在所有傳感器數(shù)據(jù)上運(yùn)行一次，對(duì)系統(tǒng)進(jìn)行自我建模，以便對(duì)學(xué)習(xí)的模型進(jìn)行最復(fù)雜的更新。

      傳統(tǒng)過濾和 ANN 的比較

      在傳感器輸入處理期間使用過濾解決的常見錯(cuò)誤有兩種：

      1、確定性誤差——包括偏差、比例因子誤差和非正交誤差

      2、隨機(jī)誤差——包括不穩(wěn)定性和信號(hào)噪聲

      傳感器的溫度校準(zhǔn)能夠解決大部分誤差，但是需要實(shí)時(shí)傳感器誤差估計(jì)來解決剩余誤差，這對(duì)于系統(tǒng)的準(zhǔn)確性至關(guān)重要。

      任何 INS 都有大量傳感器輸入，預(yù)計(jì)需要進(jìn)行合理數(shù)量的濾波、計(jì)算和積分才能連續(xù)確定當(dāng)前位置、方向和速度。

      傳統(tǒng)過濾器在糾正這些錯(cuò)誤方面面臨局限性，這為人工神經(jīng)網(wǎng)絡(luò)解決方案填補(bǔ)這一空白打開了大門。

      傳統(tǒng)和擴(kuò)展卡爾曼濾波器基于剛剛發(fā)生的情況和現(xiàn)在正在發(fā)生的情況，跟蹤傳感器誤差，由于受到線性近似的限制，可能會(huì)出現(xiàn)某種延遲。 ANN 濾波器的優(yōu)點(diǎn)是，由于使用了所有可用數(shù)據(jù)，傳感器誤差跟蹤明顯更加準(zhǔn)確，從而能夠更好、更快速地估計(jì)誤差。

      首先，人工神經(jīng)網(wǎng)絡(luò)濾波器具有遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)濾波器的完整性監(jiān)控功能，能夠拒絕錯(cuò)誤的測量，并在更深層次上調(diào)整不一致數(shù)據(jù)的精度。這使得系統(tǒng)在困難條件下具有更高的性能，在這種條件下，大量錯(cuò)誤數(shù)據(jù)通常更為普遍。在多路徑（反射信號(hào)）GNSS 條件（例如城市峽谷）中，性能提升尤其明顯。

      其次，對(duì)于傳統(tǒng)的基于卡爾曼濾波器的系統(tǒng)，線性約束應(yīng)用于各種傳感器輸入的位置、速度和加速度，以對(duì)車輛運(yùn)動(dòng)進(jìn)行建模。相比之下，使用 ANN 時(shí)，非線性約束適用于更徹底的真實(shí)動(dòng)態(tài)車輛運(yùn)動(dòng)模型，從而可以更好地跟蹤錯(cuò)誤、獲得更可靠的數(shù)據(jù)和更高的精度。

      Advanced Navigation 優(yōu)勢

      在實(shí)踐中，開發(fā)非線性但嚴(yán)格約束的人工智能融合神經(jīng)網(wǎng)絡(luò)模型并不那么簡單。

      它只能通過嚴(yán)格的過程以及多年的實(shí)驗(yàn)室和現(xiàn)場研究才能實(shí)現(xiàn)。這項(xiàng)工作始于 2007 年的大學(xué)，旨在開發(fā)高度約束的定制神經(jīng)網(wǎng)絡(luò)、建立訓(xùn)練模式并構(gòu)建大量數(shù)據(jù)集。

      如果人工智能模型沒有受到定制神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法的約束，它可能會(huì)導(dǎo)致不可預(yù)測的結(jié)果，并需要更高級(jí)別的處理。事實(shí)上，與傳統(tǒng)卡爾曼濾波方法相比，它可能無法提供任何凈收益。

      由于實(shí)施了高度受限的人工智能學(xué)習(xí)模型，我們可以在運(yùn)行功耗相對(duì)較低的高端微處理器上開發(fā)我們的 INS 產(chǎn)品。

      此外，所有高級(jí)導(dǎo)航 IMU 和 INS 產(chǎn)品均使用 1000 Hz (1 kHz) 內(nèi)部濾波率運(yùn)行，可在最苛刻的應(yīng)用中提供高動(dòng)態(tài)性能。

      Advanced Navigation 的突破性創(chuàng)新體現(xiàn)在多種 IMU 和 INS 解決方案中，這些解決方案在最小尺寸、重量和功耗方面極具競爭力。

      現(xiàn)場測試

      有關(guān)高級(jí)導(dǎo)航 INS 解決方案的實(shí)際性能示例，請(qǐng)閱讀我們的 Spatial FOG INS 現(xiàn)場測試。

      充滿希望的未來

      人工神經(jīng)網(wǎng)絡(luò)提供了一種新的慣性導(dǎo)航方法，與以前的技術(shù)和工藝相比，具有顯著的優(yōu)勢。不僅如此，使用 AI/ANN 還有助于我們繼續(xù)開發(fā)非常高性能的產(chǎn)品，這些產(chǎn)品還在每個(gè)性能級(jí)別提供極具競爭力的 SWaP-C。

      相關(guān)產(chǎn)品推薦：

        ?Advanced Navigation Spatial FOG Dual光纖組合慣性導(dǎo)航系統(tǒng)

        ?Advanced Navigation Certus MEMS GNSS/INS慣性導(dǎo)航系統(tǒng)

        ?Advanced Navigation ORIENTUS MEMS AHRS微型慣性傳感器

        ?Advanced Navigation MOTUS MEMS IMU超高精度傳感器

        ?Advanced Navigation SPATIAL MEMS GNSS/INS輔助慣性導(dǎo)航系統(tǒng)

        ?Advanced Navigation Boreas D70/D90 超高精度數(shù)字光纖陀螺儀

        ?Advanced Navigation Certus Evo MEMS GNSS/INS慣性導(dǎo)航系統(tǒng)