全国客服 400-869-8582
您的位置: 首页 > 新闻资讯 > 人工智能如何革新惯性导航?

人工智能如何革新惯性导航?

文章出处:新闻资讯 责任编辑:深圳市广陵达科技有限公司 发表时间:2024-10-25 15:27:12

      卡尔曼滤波器自20 世纪 60 年代问世以来,一直被广泛应用于制导和导航领域。卡尔曼滤波器在基本实现的基础上进行了许多改进,如扩展卡尔曼滤波器和无香味卡尔曼滤波器。然而,近年来,一种基于人工神经网络(ANN)处理的新滤波方法取得了重大突破,将惯性导航行业推向了一个新时代。


      直到最近,人工智能(AI)在惯性导航应用领域的具体成果还很少,直到2012年Advanced Navigation公司开始将大学研究的融合神经网络商业化。


      随着全球导航卫星系统干扰和欺骗技术的广泛使用,风险进一步加大。这迫使国防机构放弃仅使用全球导航卫星系统提供定位信息的解决方案,转而采用能提供必要精度和可靠死区重定位性能的惯性导航系统(INS)解决方案。


      人工神经网络 (ANN) 如何工作?

      人工神经网络的核心是具有自学能力,随着时间的推移,它能将来自各种传感器的输入转化为更好的输出结果,同时获得更多的数据。更确切地说,典型的人工神经网络会经历两个不同的阶段。

        • 在初始阶段,组成人工神经网络的处理单元被 “传授 ”一套学习规则,用于指导结果,并通过比较实际输出与预期输出来识别数据中的模式。

        • 第二阶段,对实际数据进行修正(称为反向传播),以实现预期输出。

2-01


      Advanced Navigation 公司的解决方案采用了长短时记忆(LSTM)人工智能原理,非常适合根据重要事件之间持续时间不固定的传感器数据进行分类、处理和预测。


      由于 LSTM 可在较长的时间跨度内运行,因此与通常与卡尔曼滤波器相关的隐马尔可夫模型相比,它对间隙长度相对不敏感。


      Advanced Navigation 的 ANN 依赖于三种类型的记忆:

        • 在实验室中,长期学习是在推理引擎中硬编码的,以在各种环境中进行的多小时测试为基础。

        • 在现场,短期学习每秒两次更新推理引擎中的模型。这种学习受到更多限制,我们称之为 “中等水平学习”。

        • 每分钟一次的 “深度学习 ”会对所有传感器数据进行操作,对系统进行自我建模,以便对所学模型进行最复杂的更新。

2-02

      传统滤波与 ANN 的比较

      在传感器输入处理过程中,利用滤波处理的常见误差有两种:

        • 确定性误差 - 包括偏差、比例因子误差和非正交误差

        • 随机误差 - 包括不稳定性和信号噪声


      传感器的温度校准可以消除大部分误差,但要消除其余误差,还需要对传感器误差进行实时估算,这对系统的精度至关重要。


      由于任何 INS 都有大量传感器输入,因此预计需要进行合理数量的滤波、计算和整合,以持续确定当前位置、方向和速度。


      传统的滤波器在纠正这些误差方面存在局限性,这为人工神经网络解决方案填补这一空白打开了大门。


      传统的卡尔曼滤波器和扩展卡尔曼滤波器在跟踪传感器误差时,由于受到线性近似的限制,可能会出现某种延迟,这种延迟是基于刚刚发生的事情和现在正在发生的事情。而 ANN 滤波器的优势在于,由于使用了所有可用数据,传感器误差跟踪的准确性大大提高,从而能够更好、更快地估计误差。


      首先,ANN 滤波器的完整性监测功能远远优于传统滤波器,使其能够在更深层次上拒绝错误测量并调整不一致数据的准确性。这使得系统在困难条件下的性能大大提高,因为在这种条件下,大量错误数据通常更为普遍。在城市峡谷等多路径(反射信号)GNSS 条件下,性能提升尤为明显。


      其次,在基于卡尔曼滤波器的传统系统中,对各种传感器输入的位置、速度和加速度采用线性约束,以模拟车辆运动。相比之下,在使用 ANN 时,非线性约束被应用于更全面、更真实的车辆动态运动模型,从而可以更好地跟踪误差,获得更可靠的数据和更高的精度。


      Advanced Navigation 优势

      实际上,开发一个非线性但严格受限的人工智能融合神经网络模型并非易事。


      只有通过严格的流程以及多年的实验室和实地研究才能实现。这项工作始于 2007 年的大学研究,目的是开发一个高度受限的定制神经网络,建立训练模式并收集大量数据。


      如果不是通过定制神经网络设计方法对人工智能模型进行限制,它很可能会导致不可预测的结果,并需要更高水平的处理。事实上,与传统的卡尔曼滤波方法相比,它可能不会带来任何净效益。


      由于实施了高度受限的人工智能学习模型,我们可以在高端微处理器上开发 INS 产品,这些微处理器的运行功耗相对较低。


      此外,Advanced Navigation 的所有 IMU 和 INS 产品均采用 1000 Hz(1 kHz)内部滤波率,可在要求最苛刻的应用中提供高动态性能。


      Advanced Navigation 的突破性创新成果可用于多个 IMU 和 INS 解决方案,在最小尺寸、重量和功耗方面都极具竞争力。


      充满希望的未来

      人工神经网络为惯性导航提供了一种新的方法,与以往的技术和工艺相比,这种方法具有显著的优势。不仅如此,使用 AI/ANN 还有助于我们继续开发高性能产品,并在各个性能级别上提供极具竞争力的 SWaP-C。


      更多相关惯性传感器

        • Advanced Navigation Spatial MEMS GNSS/INS 传感器

        • 3DM-GX5-GNSS/INS 高性能 GNSS 导航传感器

        • 3DM-GX5-GNSS/AHRS 高性能 GNSS 导航传感器

        • 3DM-GQ7-GNSS/INS 双天线多频段RTK导航系统

        • 3DM-CX5-GNSS/INS 高性能 GNSS 导航传感器


咨询

电话

微信

Processed in 0.241643 Second , 38 querys.