人工智能如何革新慣性導航？

文章出處：新聞資訊責任編輯：开云体育网页登录發表時間：2024-10-25 15:27:12

卡爾曼濾波器自20 世紀 60 年代問世以來，一直被廣泛應用於(yu) 製導和導航領域。卡爾曼濾波器在基本實現的基礎上進行了許多改進，如擴展卡爾曼濾波器和無香味卡爾曼濾波器。然而，近年來，一種基於(yu) 人工神經網絡（ANN）處理的新濾波方法取得了重大突破，將慣性導航行業(ye) 推向了一個(ge) 新時代。

直到最近，人工智能（AI）在慣性導航應用領域的具體(ti) 成果還很少，直到2012年Advanced Navigation公司開始將大學研究的融合神經網絡商業(ye) 化。

隨著全球導航衛星係統幹擾和欺騙技術的廣泛使用，風險進一步加大。這迫使國防機構放棄僅(jin) 使用全球導航衛星係統提供定位信息的解決(jue) 方案，轉而采用能提供必要精度和可靠死區重定位性能的慣性導航係統（INS）解決(jue) 方案。

人工神經網絡 (ANN) 如何工作？

人工神經網絡的核心是具有自學能力，隨著時間的推移，它能將來自各種傳(chuan) 感器的輸入轉化為(wei) 更好的輸出結果，同時獲得更多的數據。更確切地說，典型的人工神經網絡會(hui) 經曆兩(liang) 個(ge) 不同的階段。

• 在初始階段，組成人工神經網絡的處理單元被 “傳(chuan) 授 ”一套學習(xi) 規則，用於(yu) 指導結果，並通過比較實際輸出與(yu) 預期輸出來識別數據中的模式。

• 第二階段，對實際數據進行修正（稱為(wei) 反向傳(chuan) 播），以實現預期輸出。

2-01

Advanced Navigation 公司的解決(jue) 方案采用了長短時記憶（LSTM）人工智能原理，非常適合根據重要事件之間持續時間不固定的傳(chuan) 感器數據進行分類、處理和預測。

由於(yu) LSTM 可在較長的時間跨度內(nei) 運行，因此與(yu) 通常與(yu) 卡爾曼濾波器相關(guan) 的隱馬爾可夫模型相比，它對間隙長度相對不敏感。

Advanced Navigation 的 ANN 依賴於(yu) 三種類型的記憶：

• 在實驗室中，長期學習(xi) 是在推理引擎中硬編碼的，以在各種環境中進行的多小時測試為(wei) 基礎。

• 在現場，短期學習(xi) 每秒兩(liang) 次更新推理引擎中的模型。這種學習(xi) 受到更多限製，我們(men) 稱之為(wei) “中等水平學習(xi) ”。

• 每分鍾一次的 “深度學習(xi) ”會(hui) 對所有傳(chuan) 感器數據進行操作，對係統進行自我建模，以便對所學模型進行最複雜的更新。

2-02

傳統濾波與 ANN 的比較

在傳(chuan) 感器輸入處理過程中，利用濾波處理的常見誤差有兩(liang) 種：

• 確定性誤差 - 包括偏差、比例因子誤差和非正交誤差

• 隨機誤差 - 包括不穩定性和信號噪聲

傳(chuan) 感器的溫度校準可以消除大部分誤差，但要消除其餘(yu) 誤差，還需要對傳(chuan) 感器誤差進行實時估算，這對係統的精度至關(guan) 重要。

由於(yu) 任何 INS 都有大量傳(chuan) 感器輸入，因此預計需要進行合理數量的濾波、計算和整合，以持續確定當前位置、方向和速度。

傳(chuan) 統的濾波器在糾正這些誤差方麵存在局限性，這為(wei) 人工神經網絡解決(jue) 方案填補這一空白打開了大門。

傳(chuan) 統的卡爾曼濾波器和擴展卡爾曼濾波器在跟蹤傳(chuan) 感器誤差時，由於(yu) 受到線性近似的限製，可能會(hui) 出現某種延遲，這種延遲是基於(yu) 剛剛發生的事情和現在正在發生的事情。而 ANN 濾波器的優(you) 勢在於(yu) ，由於(yu) 使用了所有可用數據，傳(chuan) 感器誤差跟蹤的準確性大大提高，從(cong) 而能夠更好、更快地估計誤差。

首先，ANN 濾波器的完整性監測功能遠遠優(you) 於(yu) 傳(chuan) 統濾波器，使其能夠在更深層次上拒絕錯誤測量並調整不一致數據的準確性。這使得係統在困難條件下的性能大大提高，因為(wei) 在這種條件下，大量錯誤數據通常更為(wei) 普遍。在城市峽穀等多路徑（反射信號）GNSS 條件下，性能提升尤為(wei) 明顯。

其次，在基於(yu) 卡爾曼濾波器的傳(chuan) 統係統中，對各種傳(chuan) 感器輸入的位置、速度和加速度采用線性約束，以模擬車輛運動。相比之下，在使用 ANN 時，非線性約束被應用於(yu) 更全麵、更真實的車輛動態運動模型，從(cong) 而可以更好地跟蹤誤差，獲得更可靠的數據和更高的精度。

Advanced Navigation 優勢

實際上，開發一個(ge) 非線性但嚴(yan) 格受限的人工智能融合神經網絡模型並非易事。

隻有通過嚴(yan) 格的流程以及多年的實驗室和實地研究才能實現。這項工作始於(yu) 2007 年的大學研究，目的是開發一個(ge) 高度受限的定製神經網絡，建立訓練模式並收集大量數據。

如果不是通過定製神經網絡設計方法對人工智能模型進行限製，它很可能會(hui) 導致不可預測的結果，並需要更高水平的處理。事實上，與(yu) 傳(chuan) 統的卡爾曼濾波方法相比，它可能不會(hui) 帶來任何淨效益。

由於(yu) 實施了高度受限的人工智能學習(xi) 模型，我們(men) 可以在高端微處理器上開發 INS 產(chan) 品，這些微處理器的運行功耗相對較低。

此外，Advanced Navigation 的所有 IMU 和 INS 產(chan) 品均采用 1000 Hz（1 kHz）內(nei) 部濾波率，可在要求最苛刻的應用中提供高動態性能。

Advanced Navigation 的突破性創新成果可用於(yu) 多個(ge) IMU 和 INS 解決(jue) 方案，在最小尺寸、重量和功耗方麵都極具競爭(zheng) 力。

充滿希望的未來

人工神經網絡為(wei) 慣性導航提供了一種新的方法，與(yu) 以往的技術和工藝相比，這種方法具有顯著的優(you) 勢。不僅(jin) 如此，使用 AI/ANN 還有助於(yu) 我們(men) 繼續開發高性能產(chan) 品，並在各個(ge) 性能級別上提供極具競爭(zheng) 力的 SWaP-C。