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)推向了一個新時代。

      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 在很長的時間跨度內(nèi)運行，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：

       ?在實驗室中，由于在各種環(huán)境中進(jìn)行了數(shù)小時的測試，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。

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，但是需要實時傳感器誤差估計來解釋剩余誤差，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)計需要進(jìn)行合理數(shù)量的過濾、計算和積分才能連續(xù)確定當(dāng)前位置和速度。

      傳統(tǒng)過濾器在糾正這些錯誤方面面臨局限性，這為 ANN 解決方案填補空白打開了大門。

      傳統(tǒng)的擴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，從而對車輛運動進(jìn)行建模。 相比之下，當(dāng)使用 ANN 時，車輛配置文件應(yīng)用了更徹底的動態(tài)運動模型約束，允許更好地跟蹤錯誤、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

      在實踐中，開發(fā)一個高度受限的 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驗室和現(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)部過濾率運行，以便在最苛刻的應(yīng)用中提供高動態(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。

四、現(xiàn)場測試

      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 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。 事實上，總誤差僅占行駛距離的 0.1%。

五、美好的未來

      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

        ?3DMCV7-AHRS航姿參考系統(tǒng)

        ?G-LINK-200-8G無線加速度傳感器

        ?AFT20-D15微型6軸力扭矩傳感器。