人工智能如何革新慣性導(dǎo)航？

文章出處：新聞資訊責(zé)任編輯：深圳市廣陵達(dá)科技有限公司發(fā)表時(shí)間：2024-10-25 15:27:12

卡爾曼濾波器自20 世紀(jì) 60 年代問世以來，一直被廣泛應(yīng)用于制導(dǎo)和導(dǎo)航領(lǐng)域?？柭鼮V波器在基本實(shí)現(xiàn)的基礎(chǔ)上進(jìn)行了許多改進(jìn)，如擴(kuò)展卡爾曼濾波器和無香味卡爾曼濾波器。然而，近年來，一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）處理的新濾波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，人工智能（AI）在慣性導(dǎo)航應(yīng)用領(lǐng)域的具體成果還很少，直到2012年Advanced Navigation公司開始將大學(xué)研究的融合神經(jīng)網(wǎng)絡(luò)商業(yè)化。

隨著全球?qū)Ш叫l(wèi)星系統(tǒng)干擾和欺騙技術(shù)的廣泛使用，風(fēng)險(xiǎn)進(jìn)一步加大。這迫使國防機(jī)構(gòu)放棄僅使用全球?qū)Ш叫l(wèi)星系統(tǒng)提供定位信息的解決方案，轉(zhuǎn)而采用能提供必要精度和可靠死區(qū)重定位性能的慣性導(dǎo)航系統(tǒng)（INS）解決方案。

人工神經(jīng)網(wǎng)絡(luò) (ANN) 如何工作？

人工神經(jīng)網(wǎng)絡(luò)的核心是具有自學(xué)能力，隨著時(shí)間的推移，它能將來自各種傳感器的輸入轉(zhuǎn)化為更好的輸出結(jié)果，同時(shí)獲得更多的數(shù)據(jù)。更確切地說，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 “傳授 ”一套學(xué)習(xí)規(guī)則，用于指導(dǎo)結(jié)果，并通過比較實(shí)際輸出與預(yù)期輸出來識(shí)別數(shù)據(jù)中的模式。

? 第二階段，對(duì)實(shí)際數(shù)據(jù)進(jìn)行修正（稱為反向傳播），以實(shí)現(xiàn)預(yù)期輸出。

2-01

Advanced Navigation 公司的解決方案采用了長短時(shí)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)間不固定的傳感器數(shù)據(jù)進(jìn)行分類、處理和預(yù)測(cè)。

由于 LSTM 可在較長的時(shí)間跨度內(nèi)運(yùn)行，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 依賴于三種類型的記憶：

? 在實(shí)驗(yàn)室中，長期學(xué)習(xí)是在推理引擎中硬編碼的，以在各種環(huán)境中進(jìn)行的多小時(shí)測(cè)試為基礎(chǔ)。

? 在現(xiàn)場，短期學(xué)習(xí)每秒兩次更新推理引擎中的模型。這種學(xué)習(xí)受到更多限制，我們稱之為 “中等水平學(xué)習(xí)”。

? 每分鐘一次的 “深度學(xué)習(xí) ”會(huì)對(duì)所有傳感器數(shù)據(jù)進(jìn)行操作，對(duì)系統(tǒng)進(jìn)行自我建模，以便對(duì)所學(xué)模型進(jìn)行最復(fù)雜的更新。

2-02

傳統(tǒng)濾波與 ANN 的比較

在傳感器輸入處理過程中，利用濾波處理的常見誤差有兩種：

? 確定性誤差 - 包括偏差、比例因子誤差和非正交誤差

? 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)可以消除大部分誤差，但要消除其余誤差，還需要對(duì)傳感器誤差進(jìn)行實(shí)時(shí)估算，這對(duì)系統(tǒng)的精度至關(guān)重要。

由于任何 INS 都有大量傳感器輸入，因此預(yù)計(jì)需要進(jìn)行合理數(shù)量的濾波、計(jì)算和整合，以持續(xù)確定當(dāng)前位置、方向和速度。

傳統(tǒng)的濾波器在糾正這些誤差方面存在局限性，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)的卡爾曼濾波器和擴(kuò)展卡爾曼濾波器在跟蹤傳感器誤差時(shí)，由于受到線性近似的限制，可能會(huì)出現(xiàn)某種延遲，這種延遲是基于剛剛發(fā)生的事情和現(xiàn)在正在發(fā)生的事情。而 ANN 濾波器的優(yōu)勢(shì)在于，由于使用了所有可用數(shù)據(jù)，傳感器誤差跟蹤的準(zhǔn)確性大大提高，從而能夠更好、更快地估計(jì)誤差。

首先，ANN 濾波器的完整性監(jiān)測(cè)功能遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)濾波器，使其能夠在更深層次上拒絕錯(cuò)誤測(cè)量并調(diào)整不一致數(shù)據(jù)的準(zhǔn)確性。這使得系統(tǒng)在困難條件下的性能大大提高，因?yàn)樵谶@種條件下，大量錯(cuò)誤數(shù)據(jù)通常更為普遍。在城市峽谷等多路徑（反射信號(hào)）GNSS 條件下，性能提升尤為明顯。

其次，在基于卡爾曼濾波器的傳統(tǒng)系統(tǒng)中，對(duì)各種傳感器輸入的位置、速度和加速度采用線性約束，以模擬車輛運(yùn)動(dòng)。相比之下，在使用 ANN 時(shí)，非線性約束被應(yīng)用于更全面、更真實(shí)的車輛動(dòng)態(tài)運(yùn)動(dòng)模型，從而可以更好地跟蹤誤差，獲得更可靠的數(shù)據(jù)和更高的精度。

Advanced Navigation 優(yōu)勢(shì)

實(shí)際上，開發(fā)一個(gè)非線性但嚴(yán)格受限的人工智能融合神經(jīng)網(wǎng)絡(luò)模型并非易事。

只有通過嚴(yán)格的流程以及多年的實(shí)驗(yàn)室和實(shí)地研究才能實(shí)現(xiàn)。這項(xiàng)工作始于 2007 年的大學(xué)研究，目的是開發(fā)一個(gè)高度受限的定制神經(jīng)網(wǎng)絡(luò)，建立訓(xùn)練模式并收集大量數(shù)據(jù)。

如果不是通過定制神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法對(duì)人工智能模型進(jìn)行限制，它很可能會(huì)導(dǎo)致不可預(yù)測(cè)的結(jié)果，并需要更高水平的處理。事實(shí)上，與傳統(tǒng)的卡爾曼濾波方法相比，它可能不會(huì)帶來任何凈效益。

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

此外，Advanced Navigation 的所有 IMU 和 INS 產(chǎn)品均采用 1000 Hz（1 kHz）內(nèi)部濾波率，可在要求最苛刻的應(yīng)用中提供高動(dòng)態(tài)性能。

Advanced Navigation 的突破性創(chuàng)新成果可用于多個(gè) IMU 和 INS 解決方案，在最小尺寸、重量和功耗方面都極具競爭力。

充滿希望的未來

人工神經(jīng)網(wǎng)絡(luò)為慣性導(dǎo)航提供了一種新的方法，與以往的技術(shù)和工藝相比，這種方法具有顯著的優(yōu)勢(shì)。不僅如此，使用 AI/ANN 還有助于我們繼續(xù)開發(fā)高性能產(chǎn)品，并在各個(gè)性能級(jí)別上提供極具競爭力的 SWaP-C。