Ваш браузер устарел и не обеспечивает полноценную и безопасную работу с сайтом.
Установите актуальную версию вашего браузера или одну из современных альтернатив.
Бесплатформенная инерциальная навигационная система (БИНС) и глобальная спутниковая система навигации (ГНСС) традиционно объединяются в одной интегрированной навигационной системе, позволяющей сохранить преимущества и компенсировать недостатки, присущие каждой системе в отдельности. В настоящее время фильтр Калмана является наиболее широко используемым алгоритмом интегрированной навигации, однако в сложных условиях внешней среды, в частности, в присутствии сильных помех, зачастую наблюдается эффект расходимости фильтра. В сочетании с накоплением погрешностей инерциальной системы это может значительно ухудшить точность навигации.
Федеративный фильтр как метод с параллельной обработкой информации имеет преимущества с точки зрения низкой нагрузки на систему и высокой надежности и находит широкое применение в интегрировании мультисенсорных данных [1]. Федеративный фильтр состоит из основного фильтра и подфильтров [2]. При наличии двух навигационных источников — инерциальной навигационной системы и ГНСС, выходные сигналы БИНС подаются на вход подфильтра 1, а выходные сигналы ГНСС на вход в подфильтр 2. Соответствующие оценки и ковариационные матрица подфильтров подаются в основной фильтр для оптимального объединения информации и оценивания вектора состояния системы.
Искусственные нейронные сети могут быть обучены под наблюдением для достижения нелинейных отображений вход-выход при моделировании очень сложных и нелинейных стохастических систем. Их применение в интегрированных системах навигации приносит хорошие результаты.
В последнее время было проведено много исследований по применению нейронных сетей в интегрированных навигационных системах. В частности, автор Yimin Zhou объединил BP (BackPropagation) нейронную сеть с фильтром Калмана для повышения точности навигации [3]. Авторы Fang Wei, Jiang Jin-guang и Xie Dong-peng использовали MLPNN (multilayer perceptron neural networks) для поддержки интегрированной навигационной системы [4]. Но большинство существующих методов на основе искусственных нейронных сетей основаны на корреляции погрешностей инерциальной системы навигации с соответствующими выходными сигналами без учета влияния прошлых знаний о погрешностях. В данной работе для обработки показаний интегрированной навигационной системы используются рекуррентные нейронные сети (РНС, Recurrent Neural Network, RNN) [5]. РНС позволяет определить связь между текущим выходным сигналом с предыдущим входным. РНС состоит из входного, скрытого и выходного слоев. После того, как эта нейронная сеть получает вход в момент , скрытый слой имеет значение , а выходной — . Основная специфика метода заключается в том, что значение зависит не только от , но и от выходного сигнала скрытого слоя в последний момент, то есть . Таким образом, метод расчета прямого распространения РНС можно выразить следующим образом:
где и — функция активации выходного и скрытого слоев.
Интегрированная навигационная система с использованием рекуррентной нейронной сети использует нейронные сети для обучения модели погрешностей БИНС при наличии спутникового сигнала, устанавливая при этом связь между навигационной информацией носителя и моделью погрешностей. При потере спутниковой связи обученная нейронная сеть используется для прогнозирования погрешностей БИНС и корректировки ее выходных сигналов, тем самым продолжая предоставлять надежную навигационную информацию носителю.
В целом алгоритм федеративной фильтрации с помощью нейронной сети, предложенный в данной работе, заключается в использовании федеративного фильтра для интегрирования информации инерциальной и спутниковой навигационных систем при наличии сигналов ГНСС. В то же время нейронная сеть собирает выходную информацию от инерциальных элементов в качестве входной и использует навигационную информацию от федеративного фильтра в качестве желаемого выхода для обучения. Когда сигнал ГНСС прерывается, нейронная сеть переключается в режим прогнозирования. При этом нейронная сеть по-прежнему собирает выходную информацию от инерциальных элементов в качестве входной и использует ранее обученную модель сети для прогнозирования более точной навигационной информации, которая используется для коррекции показаний БИНС.
