自 1960 年代首次出現(xiàn)以來,卡爾曼濾波器一直被廣泛用于制導(dǎo)和導(dǎo)航應(yīng)用。 它經(jīng)歷了許多旨在改進(jìn)基本實(shí)施的調(diào)整,例如 Extended KF 或 Unscented KF。 然而近年來,一種基于人工智能神經(jīng)網(wǎng)絡(luò)(ANN)處理的過濾新方法取得了重大突破,將慣性導(dǎo)航行業(yè)推向了一個(gè)新時(shí)代。
直到最近,在用于慣性導(dǎo)航應(yīng)用的人工智能領(lǐng)域幾乎沒有具體實(shí)現(xiàn),直到 Advanced Navigation 于 2012 年進(jìn)入該領(lǐng)域,將大學(xué)論文中的融合神經(jīng)網(wǎng)絡(luò)商業(yè)化。
最近,隨著 GNSS 干擾和欺騙技術(shù)的廣泛使用,風(fēng)險(xiǎn)變得更高,迫使國防軍放棄僅使用 GNSS 的位置信息解決方案,而是迅速采用需要更大的慣性導(dǎo)航系統(tǒng) (INS) 解決方案 精度和更好的航位推算性能。
人工神經(jīng)網(wǎng)絡(luò)的核心是具有自學(xué)習(xí)能力,隨著時(shí)間的推移,隨著越來越多的數(shù)據(jù)可用,它能夠?qū)碜愿鞣N傳感器的輸入轉(zhuǎn)化為更好的結(jié)果輸出。
更準(zhǔn)確地說,典型的 ANN 經(jīng)歷兩個(gè)不同的階段。
?在初始階段,組成 ANN 的處理單元被“教導(dǎo)”一組用于指導(dǎo)其結(jié)果的學(xué)習(xí)規(guī)則,通過將其實(shí)際輸出與期望輸出進(jìn)行比較來識別數(shù)據(jù)中的模式。
?在第二階段,對實(shí)際數(shù)據(jù)應(yīng)用校正(稱為反向傳播)以獲得所需的輸出。
Advanced Navigation 的解決方案依賴于長/短期記憶(或 LSTM)AI 原理,非常適合根據(jù)重要事件之間具有可變持續(xù)時(shí)間的傳感器數(shù)據(jù)進(jìn)行分類、處理和預(yù)測。
由于 LSTM 在很長的時(shí)間跨度內(nèi)運(yùn)行,因此它對間隙長度相對不敏感,這是優(yōu)于通常與卡爾曼濾波器相關(guān)的隱馬爾可夫模型的優(yōu)勢。
?在實(shí)驗(yàn)室中,由于在各種環(huán)境中進(jìn)行了數(shù)小時(shí)的測試,長期學(xué)習(xí)被硬編碼在推理引擎中。
?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,并提供我們所說的“中等”學(xué)習(xí)水平。
?每分鐘一次深度學(xué)習(xí)對所有傳感器數(shù)據(jù)進(jìn)行操作,對系統(tǒng)進(jìn)行自我建模,以便對學(xué)習(xí)模型進(jìn)行最復(fù)雜的更新。
處理過程中解決的常見錯(cuò)誤有兩種:
?確定性誤差(偏差、比例因子誤差和非正交誤差);
?隨機(jī)誤差(不穩(wěn)定性和噪聲)。
工廠溫度校準(zhǔn)能夠解釋大部分傳感器誤差,但是需要實(shí)時(shí)傳感器誤差估計(jì)來解釋剩余誤差,這對系統(tǒng)的準(zhǔn)確性至關(guān)重要。
由于有相當(dāng)多的傳感器輸入進(jìn)入任何 INS,因此預(yù)計(jì)需要進(jìn)行合理數(shù)量的過濾、計(jì)算和積分才能連續(xù)確定當(dāng)前位置和速度。
傳統(tǒng)過濾器在糾正這些錯(cuò)誤方面面臨局限性,這為 ANN 解決方案填補(bǔ)空白打開了大門。
傳統(tǒng)的擴(kuò)展卡爾曼濾波器基于緩慢的濾波器更新來延遲跟蹤傳感器錯(cuò)誤。 ANN 濾波器的優(yōu)勢在于,由于使用了所有可用數(shù)據(jù),因此傳感器誤差跟蹤速度更快且準(zhǔn)確度顯著提高。
首先,ANN 過濾器具有遠(yuǎn)優(yōu)于傳統(tǒng)過濾器的完整性監(jiān)控功能,使其能夠拒絕錯(cuò)誤測量并在更深層次上調(diào)整不一致數(shù)據(jù)的精度。 這使系統(tǒng)在錯(cuò)誤數(shù)據(jù)被輸入系統(tǒng)的困難條件下具有更高的性能。 在城市峽谷或近墻等高多路徑 GNSS 環(huán)境中,性能提升尤為明顯。
其次,對于傳統(tǒng)的基于卡爾曼濾波器的系統(tǒng),車輛配置文件對各種傳感器輸入的位置、速度和加速度應(yīng)用基本約束,從而對車輛運(yùn)動(dòng)進(jìn)行建模。 相比之下,當(dāng)使用 ANN 時(shí),車輛配置文件應(yīng)用了更徹底的動(dòng)態(tài)運(yùn)動(dòng)模型約束,允許更好地跟蹤錯(cuò)誤、更可靠的數(shù)據(jù)和更高的準(zhǔn)確性。
在實(shí)踐中,開發(fā)一個(gè)高度受限的 AI 融合神經(jīng)網(wǎng)絡(luò)模型并不像人們想象的那么簡單。
從 2007 年在大學(xué)開始,通過嚴(yán)格的流程和多年的實(shí)驗(yàn)室和現(xiàn)場研究,開發(fā)高度受限的自定義神經(jīng)網(wǎng)絡(luò)、建立訓(xùn)練模式和建立大量數(shù)據(jù)集,才實(shí)現(xiàn)了這一目標(biāo)。
如果 AI 模型沒有通過其自定義神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法受到限制,它將導(dǎo)致不可預(yù)測的結(jié)果并需要更高級別的處理。 事實(shí)上,與傳統(tǒng)的 KF 方法相比,它可能無法提供任何凈收益。
由于實(shí)施了這種高度受限的 AI 學(xué)習(xí)模型,因此可以在功耗相對較低的高端微處理器上開發(fā)我們的 INS 產(chǎn)品。
此外,所有 Advanced Navigation IMU 和 INS 產(chǎn)品都以 1000 Hz 的高內(nèi)部過濾率運(yùn)行,以便在最苛刻的應(yīng)用中提供高動(dòng)態(tài)性能。
所有這些突破性創(chuàng)新都帶來了具有市場競爭力的尺寸、重量和功率的解決方案。
Advanced Navigation 的 ANN 濾波器已經(jīng)過測試,比較了空間 FOG 和基于 GNSS 的參考系統(tǒng),在澳大利亞新南威爾士州進(jìn)行了 8 小時(shí) 17 分鐘的行程,覆蓋了 558 公里的距離和 800 米的海拔變化。
正如您在下面看到的,紅色中基于 GNSS 的參考系統(tǒng)和藍(lán)色中的空間 FOG 系統(tǒng)彼此非常接近。 事實(shí)上,總誤差僅占行駛距離的 0.1%。
人工神經(jīng)網(wǎng)絡(luò)為現(xiàn)有慣性導(dǎo)航應(yīng)用和規(guī)范提供了一種新方法,降低了每個(gè)性能級別的 SWaP-C。
此外,此類功能與性能不斷提高的 MEMS 技術(shù)的微型化相結(jié)合,將允許新應(yīng)用興起,并降低各行業(yè)對 GNSS 干擾和欺騙的敏感性。
相關(guān)傳感器的產(chǎn)品型號
?3DMGX5-GNSS/INS輔助慣性導(dǎo)航系統(tǒng)
?3DMGQ7-GNSS/INS輔助慣性導(dǎo)航系統(tǒng)
?3DMCX5-GNSS/INS高性能GNSS 導(dǎo)航傳感器
?3DM-CX5-IMU高性能慣性測量單元傳感器