欢迎访问【深圳市百世精工科技有限公司】官网!我们主营进口传感器及仪器设备,如高精度惯性传感器、力矩传感器、扭矩传感器、位置位移传感器、光学测量仪器等。

全国服务热线 全国服务热线:

0755-22322016
4新闻动态
您的位置:首页 -> 新闻动态 -> 基于 AI 的新滤波方法如何推动惯性导航行业发展

基于 AI 的新滤波方法如何推动惯性导航行业发展

文章出处:新闻动态 责任编辑:百世精工科技 发表时间:2023-05-22 09:48:18
  
  

      自 1960 年代首次出现以来,卡尔曼滤波器一直被广泛用于制导和导航应用。 它经历了许多旨在改进基本实施的调整,例如 Extended KF 或 Unscented KF。 然而近年来,一种基于人工智能神经网络(ANN)处理的过滤新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,在用于惯性导航应用的人工智能领域几乎没有具体实现,直到 Advanced Navigation 于 2012 年进入该领域,将大学论文中的融合神经网络商业化。


      最近,随着 GNSS 干扰和欺骗技术的广泛使用,风险变得更高,迫使国防军放弃仅使用 GNSS 的位置信息解决方案,而是迅速采用需要更大的惯性导航系统 (INS) 解决方案 精度和更好的航位推算性能。


一、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习能力,随着时间的推移,随着越来越多的数据可用,它能够将来自各种传感器的输入转化为更好的结果输出。


      更准确地说,典型的 ANN 经历两个不同的阶段。

       •在初始阶段,组成 ANN 的处理单元被“教导”一组用于指导其结果的学习规则,通过将其实际输出与期望输出进行比较来识别数据中的模式。

       •在第二阶段,对实际数据应用校正(称为反向传播)以获得所需的输出。

人工神经网络ANN图

      Advanced Navigation 的解决方案依赖于长/短期记忆(或 LSTM)AI 原理,非常适合根据重要事件之间具有可变持续时间的传感器数据进行分类、处理和预测。


      由于 LSTM 在很长的时间跨度内运行,因此它对间隙长度相对不敏感,这是优于通常与卡尔曼滤波器相关的隐马尔可夫模型的优势。


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

       •在实验室中,由于在各种环境中进行了数小时的测试,长期学习被硬编码在推理引擎中。

       •在现场,短期学习每秒更新推理引擎中的模型两次。 这种学习受到更多限制,并提供我们所说的“中等”学习水平。

       •每分钟一次深度学习对所有传感器数据进行操作,对系统进行自我建模,以便对学习模型进行最复杂的更新。

惯性导航系统 (INS) 解决方案

二、比较传统过滤和人工神经网络

      处理过程中解决的常见错误有两种:

       •确定性误差(偏差、比例因子误差和非正交误差);

       •随机误差(不稳定性和噪声)。


      工厂温度校准能够解释大部分传感器误差,但是需要实时传感器误差估计来解释剩余误差,这对系统的准确性至关重要。


      由于有相当多的传感器输入进入任何 INS,因此预计需要进行合理数量的过滤、计算和积分才能连续确定当前位置和速度。


      传统过滤器在纠正这些错误方面面临局限性,这为 ANN 解决方案填补空白打开了大门。


      传统的扩展卡尔曼滤波器基于缓慢的滤波器更新来延迟跟踪传感器错误。 ANN 滤波器的优势在于,由于使用了所有可用数据,因此传感器误差跟踪速度更快且准确度显着提高。


      首先,ANN 过滤器具有远优于传统过滤器的完整性监控功能,使其能够拒绝错误测量并在更深层次上调整不一致数据的精度。 这使系统在错误数据被输入系统的困难条件下具有更高的性能。 在城市峡谷或近墙等高多路径 GNSS 环境中,性能提升尤为明显。


      其次,对于传统的基于卡尔曼滤波器的系统,车辆配置文件对各种传感器输入的位置、速度和加速度应用基本约束,从而对车辆运动进行建模。 相比之下,当使用 ANN 时,车辆配置文件应用了更彻底的动态运动模型约束,允许更好地跟踪错误、更可靠的数据和更高的准确性。


三、先进的导航优势


      在实践中,开发一个高度受限的 AI 融合神经网络模型并不像人们想象的那么简单。


      从 2007 年在大学开始,通过严格的流程和多年的实验室和现场研究,开发高度受限的自定义神经网络、建立训练模式和建立大量数据集,才实现了这一目标。


      如果 AI 模型没有通过其自定义神经网络设计方法受到限制,它将导致不可预测的结果并需要更高级别的处理。 事实上,与传统的 KF 方法相比,它可能无法提供任何净收益。


      由于实施了这种高度受限的 AI 学习模型,因此可以在功耗相对较低的高端微处理器上开发我们的 INS 产品。


      此外,所有 Advanced Navigation IMU 和 INS 产品都以 1000 Hz 的高内部过滤率运行,以便在最苛刻的应用中提供高动态性能。


      所有这些突破性创新都带来了具有市场竞争力的尺寸、重量和功率的解决方案。


四、现场测试


      Advanced Navigation 的 ANN 滤波器已经过测试,比较了空间 FOG 和基于 GNSS 的参考系统,在澳大利亚新南威尔士州进行了 8 小时 17 分钟的行程,覆盖了 558 公里的距离和 800 米的海拔变化。


      正如您在下面看到的,红色中基于 GNSS 的参考系统和蓝色中的空间 FOG 系统彼此非常接近。 事实上,总误差仅占行驶距离的 0.1%。

现场测试

五、美好的未来


      人工神经网络为现有惯性导航应用和规范提供了一种新方法,降低了每个性能级别的 SWaP-C。


      此外,此类功能与性能不断提高的 MEMS 技术的微型化相结合,将允许新应用兴起,并降低各行业对 GNSS 干扰和欺骗的敏感性。


相关传感器的产品型号

        •3DMGX5-GNSS/INS辅助惯性导航系统

        •3DMGQ7-GNSS/INS辅助惯性导航系统

        •3DMCX5-GNSS/INS高性能GNSS 导航传感器

        •3DM-CX5-IMU高性能惯性测量单元传感器

        •3DMCV7-AHRS航姿参考系统

        •G-LINK-200-8G无线加速度传感器

        •AFT20-D15微型6轴力扭矩传感器


联系我们
电 话:0755-22322016
联系人:19066390079(微信同步)
邮 箱:2910209453@qq.com
地 址:深圳市龙岗区平湖街道禾花社区佳业工业园3栋4楼1-2
网 址:https://www.bsfines.com
二维码
【微信咨询】
深圳市百世精工科技有限公司 © Copyright 2024  SITMAP TXTMAP 粤ICP备2023038174号
咨询

电话

微信

Processed in 0.233761 Second , 59 querys.