Применение рекуррентных нейронных сетей для повышения точности навигационных систем подвижных объектов
Авторы
*,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 сетьСкачать статью