人工智能如何彻底改变惯性导航？

      自 20 世纪 60 年代问世以来，卡尔曼滤波器至今已广泛用于制导和导航应用。它经历了许多旨在改进基本实现的调整，例如扩展的无味卡尔曼滤波器。然而，近年来，基于人工神经网络（ANN）处理的新过滤方法取得了重大突破，将惯性导航行业推入了一个新时代。

      直到最近，惯性导航应用的人工智能 (AI) 领域还没有取得具体进展，直到 2012 年高级导航开始将大学研究的融合神经网络商业化。

      随着 GNSS 干扰和欺骗技术的广泛使用，风险进一步加大。这迫使国防组织放弃仅使用 GNSS 获取位置信息的解决方案，转而采用能够提供必要精度和可靠航位推算性能的惯性导航系统 (INS) 解决方案。

      人工神经网络 (ANN) 是如何工作的？

      从本质上讲，人工神经网络具有自学习功能，随着时间的推移，随着更多数据的出现，它能够将来自各种传感器的输入转换为更好的结果输出。更准确地说，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“教授”一组用于指导结果的学习规则，通过比较实际产生的输出与期望的输出来识别数据模式。

        •第二阶段，将校正（称为反向传播）应用于实际数据以实现所需的输出。

      Advanced Navigation 的解决方案采用长短期记忆 (LSTM) 人工智能原理，非常适合根据重要事件之间持续时间可变的传感器数据进行分类、处理和预测。

      由于 LSTM 的运行时间跨度较长，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 依赖于三种类型的内存：

      1、在实验室中，基于在各种环境中进行的多个小时的测试，长期学习被硬编码在推理引擎中。

      2、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，并提供我们所谓的“中等水平学习”。

      3、每分钟一次，“深度学习”会在所有传感器数据上运行一次，对系统进行自我建模，以便对学习的模型进行最复杂的更新。

      传统过滤和 ANN 的比较

      在传感器输入处理期间使用过滤解决的常见错误有两种：

      1、确定性误差——包括偏差、比例因子误差和非正交误差

      2、随机误差——包括不稳定性和信号噪声

      传感器的温度校准能够解决大部分误差，但是需要实时传感器误差估计来解决剩余误差，这对于系统的准确性至关重要。

      任何 INS 都有大量传感器输入，预计需要进行合理数量的滤波、计算和积分才能连续确定当前位置、方向和速度。

      传统过滤器在纠正这些错误方面面临局限性，这为人工神经网络解决方案填补这一空白打开了大门。

      传统和扩展卡尔曼滤波器基于刚刚发生的情况和现在正在发生的情况，跟踪传感器误差，由于受到线性近似的限制，可能会出现某种延迟。 ANN 滤波器的优点是，由于使用了所有可用数据，传感器误差跟踪明显更加准确，从而能够更好、更快速地估计误差。

      首先，人工神经网络滤波器具有远远优于传统滤波器的完整性监控功能，能够拒绝错误的测量，并在更深层次上调整不一致数据的精度。这使得系统在困难条件下具有更高的性能，在这种条件下，大量错误数据通常更为普遍。在多路径（反射信号）GNSS 条件（例如城市峡谷）中，性能提升尤其明显。

      其次，对于传统的基于卡尔曼滤波器的系统，线性约束应用于各种传感器输入的位置、速度和加速度，以对车辆运动进行建模。相比之下，使用 ANN 时，非线性约束适用于更彻底的真实动态车辆运动模型，从而可以更好地跟踪错误、获得更可靠的数据和更高的精度。

      Advanced Navigation 优势

      在实践中，开发非线性但严格约束的人工智能融合神经网络模型并不那么简单。

      它只能通过严格的过程以及多年的实验室和现场研究才能实现。这项工作始于 2007 年的大学，旨在开发高度约束的定制神经网络、建立训练模式并构建大量数据集。

      如果人工智能模型没有受到定制神经网络设计方法的约束，它可能会导致不可预测的结果，并需要更高级别的处理。事实上，与传统卡尔曼滤波方法相比，它可能无法提供任何净收益。

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

      此外，所有高级导航 IMU 和 INS 产品均使用 1000 Hz (1 kHz) 内部滤波率运行，可在最苛刻的应用中提供高动态性能。

      Advanced Navigation 的突破性创新体现在多种 IMU 和 INS 解决方案中，这些解决方案在最小尺寸、重量和功耗方面极具竞争力。

      现场测试

      有关高级导航 INS 解决方案的实际性能示例，请阅读我们的 Spatial FOG INS 现场测试。

      充满希望的未来

      人工神经网络提供了一种新的惯性导航方法，与以前的技术和工艺相比，具有显着的优势。不仅如此，使用 AI/ANN 还有助于我们继续开发非常高性能的产品，这些产品还在每个性能级别提供极具竞争力的 SWaP-C。

      相关产品推荐：

        •Advanced Navigation Spatial FOG Dual光纤组合惯性导航系统

        •Advanced Navigation Certus MEMS GNSS/INS惯性导航系统

        •Advanced Navigation ORIENTUS MEMS AHRS微型惯性传感器

        •Advanced Navigation MOTUS MEMS IMU超高精度传感器

        •Advanced Navigation SPATIAL MEMS GNSS/INS辅助惯性导航系统

        •Advanced Navigation Boreas D70/D90 超高精度数字光纤陀螺仪

        •Advanced Navigation Certus Evo MEMS GNSS/INS惯性导航系统