Применение рекуррентных нейронных сетей для повышения точности навигационных систем подвижных объектов


Авторы

Аммар А. *, Сериков С. А.

Санкт-Петербургский государственный университет аэрокосмического приборостроения, ул. Большая Морская, 67, Санкт-Петербург, 190000, Россия

*e-mail: ammar.assad225@gmail.com

Аннотация

Актуальность работы обусловлена необходимостью повышения точности навигационных систем подвижных объектов в условиях сбоев глобальной системы позиционирования (ГПС). Интегрированные системы, сочетающие ГПС и инерциальную навигационную систему (ИНС), обеспечивают высокоточную навигацию, однако их точность значительно снижается при нарушениях работы ГПС. В данной статье предложен новый метод ОФК-РНС, который объединяет обобщенный фильтр Калмана (ОФК) и рекуррентную нейронную сеть (РНС) для повышения точности навигационных решений в таких условиях. Новизна исследования заключается в использовании РНС для обработки навигационных данных в режиме сбоев ГПС. Входными данными для РНС служат предыдущие измерения ГПС, а также показания гироскопов и акселерометров ИНС. Выходные данные РНС применяются для корректировки измерений в ОФК, что позволяет улучшить оценку навигационных параметров. Для проверки эффективности предложенного метода проведены эксперименты с использованием двух реальных наборов данных. Сравнение методов ОФК и ОФК-РНС выполнено по ключевым параметрам: ошибкам ориентации (attitude), горизонтальной погрешности (horizontal error) и скорости (V_(ned) ). Результаты показали, что метод ОФК-РНС превосходит традиционный ОФК по всем исследуемым показателям. В частности, ОФК-РНС демонстрирует более высокую точность оценки ориентации, снижение горизонтальной погрешности и улучшение оценки скорости. Выводы исследования подтверждают, что предложенный метод ОФК-РНС эффективно повышает точность навигационных систем в условиях сбоев ГПС, что делает его перспективным для применения в системах навигации подвижных объектов.


Ключевые слова:

Глобальная система позиционирования, инерциальная навигационная система, обобщенный фильтр Калмана, рекуррентная нейронная сеть

Библиографический список

  1. Konovalenko I., Kuznetsova E., Miller A., Miller B., Popov A., Shepelev D., Stepanyan K. New approaches to the integration of navigation systems for autonomous unmanned vehicles (UAV) // Sensors. 2018. No. 18 (9). P. 3010. URL: https://doi.org/10.3390/s18093010
  2. Bian H., Li A., Ma H., Wang R. Inertial navigation. In Essentials of Navigation: A Guide for Marine Navigation. Singapore: Springer Nature Singapore. 2024. P. 191-222. URL: https://doi.org/10.1007/978-981-99-5636-4
  3. Han S., Wang J. Integrated GPS/INS navigation system with dual-rate Kalman Filter // GPS solutions. 2012. No. 16. P. 389-404. URL: https://doi.org/10.1007/s10291-011-0240-x
  4. Голяков А.Д., Ричняк А.М., Фоминов И.В. Исследование точности навигационных параметров космического аппарата с адаптивной системой автономной навигации // Труды МАИ. 2022. № 126. URL: https://trudymai.ru/published.php?ID=169009. DOI: 10.34759/trd-2022-126-23
  5. Джавадов Н.Г., Агаев Ф.Г., Гусейнов Г.А., Зульфугарлы П.Р. Вопросы оценки выполнимости задач, поставленных перед беспилотными летательными аппаратами // Труды МАИ. 2022. № 127. URL: https://trudymai.ru/published.php?ID=170350. DOI: 10.34759/trd-2022-127-20
  6. Malleswaran M., Vaidehi V., Sivasankari N. A novel approach to the integration of GPS and INS using recurrent neural networks with evolutionary optimization techniques // Aerospace Science and Technology. 2014. No. 32 (1). P. 169-179. URL: https://doi.org/10.1016/j.ast.2013.09.011
  7. Dai H.F., Bian H.W., Wang R.Y., Ma H. An INS/GNSS integrated navigation in GNSS denied environment using recurrent neural network // Defence technology. 2020. No. 16 (2). P. 334-340. URL: https://doi.org/10.1016/j.dt.2019.08.011
  8. Alaeiyan H., Mosavi M.R., Ayatollahi A. Improving the performance of GPS/INS integration during GPS outage with incremental regularized LSTM learning // Alexandria Engineering Journal. 2024. No. 105. P. 137-155. URL: https://doi.org/10.1016/j.aej.2024.06.069
  9. Assad A., Khalaf W., Chouaib I. Novel adaptive fuzzy extended Kalman filter for attitude estimation in GPS-denied environment // Gyroscopy and Navigation. 2019. No. 10. P. 131-146. URL: https://doi.org/10.1134/S2075108719030027
  10. Ермаков П.Г., Гоголев А.А. Программный комплекс алгоритмов автономного определения параметров угловой ориентации беспилотных летательных аппаратов // Труды МАИ. 2022. № 124. URL: https://trudymai.ru/published.php?ID=167100. DOI: 10.34759/trd-2022-124-17
  11. Jekeli C. Inertial navigation systems with geodetic applications. Walter de Gruyter GmbH & Co KG. 2023.
  12. Xie J., Wang H., Li P., Meng Y. Satellite navigation systems and technologies. Singapore: Springer. 2021. URL: https://doi.org/10.1007/978-981-15-4863-5
  13. Quan W., Li J., Gong X., Fang J. INS/CNS/GNSS Integrated Navigation Technology. Springer: Berlin, Germany.2015.
  14. Al Bitar N., Gavrilov A. A new method for compensating the errors of integrated navigation systems using artificial neural networks // Measurement. 2021. No. 168. P. 108391. DOI: 10.1016/j.measurement.2020.108391
  15. Ермаков П.Г., Гоголев, А.А. Сравнительный анализ схем комплексирования информации бесплатформенных инерциальных навигационных систем беспилотных летательных аппаратов // Труды МАИ. 2021. No. 117. URL: https://trudymai.ru/published.php?ID=156253. DOI: 10.34759/trd-2021-117-11
  16. Lefferts E.J., Markley F.L., Shuster M.D. Kalman Filtering for Spacecraft Attitude Estimation // Journal of Guidance, Control, and Dynamics. 1982. Vol. 5, No. 5. P. 417–429. URL: https://doi.org/10.2514/3.56190
  17. Crassidis J.L. Sigma-point Kalman filtering for integrated GPS and inertial navigation // IEEE Transactions on Aerospace and Electronic Systems. 2006. No. 42 (2). P. 750-756. URL: 10.1109/TAES.2006.1642588
  18. Pwasong A., Sathasivam S. Forecasting crude oil production using quadratic regression and layer recurrent neural network models // In AIP Conference Proceedings. 2016. Vol. 1750, No. 1. URL: https://doi.org/10.1063/1.4954514
  19. Alabi R.O. Prediction of recurrence and mortality of oral tongue cancer using artificial neural network (A case study of 5 hospitals in Finland and 1 hospital from Sao Paulo, Brazil). 2017.
  20. Chow T.W., Fang Y. A recurrent neural-network-based real-time learning control strategy applying to nonlinear systems with unknown dynamics // IEEE transactions on industrial electronics. 1998. No. 45 (1). P. 151-161. DOI: 10.1109/41.661316


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2025

 Вход