歡迎訪問【深圳市百世精工科技有限公司】官網(wǎng)！我們主營進(jìn)口傳感器及儀器設(shè)備，如高精度慣性傳感器、力矩傳感器、扭矩傳感器、位置位移傳感器、光學(xué)測量儀器等。

全國服務(wù)熱線：

0755-22322016

4新聞動(dòng)態(tài)

您的位置:首頁 -> 新聞動(dòng)態(tài) -> 基于 AI 的新濾波方法如何推動(dòng)慣性導(dǎo)航行業(yè)發(fā)展

基于 AI 的新濾波方法如何推動(dòng)慣性導(dǎo)航行業(yè)發(fā)展

文章出處：新聞動(dòng)態(tài) 責(zé)任編輯：百世精工科技發(fā)表時(shí)間：2023-05-22 09:48:18

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。

一、人工神經(jīng)網(wǎng)絡(luò) (ANN) 如何工作？

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。

人工神經(jīng)網(wǎng)絡(luò)ANN圖

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。

1、Advanced Navigation 的 ANN 依賴于三種類型的記憶：

?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。

慣性導(dǎo)航系統(tǒng) (INS) 解決方案

二、比較傳統(tǒng)過濾和人工神經(jīng)網(wǎng)絡(luò)

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。

三、先進(jìn)的導(dǎo)航優(yōu)勢

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。