Details

Спутниковые штуки для навигации стали очень популярны за последние тридцать лет. Они дают данные о том, где ты есть и как быстро едешь, беря сигналы от кучи спутников. Но вот прикол: в городах с домами великанами, в трубах под землей или где много электромагнитного шума, их точность падает. И еще, эти сигналы легко сбить или подделать, поэтому в важных системах навигации на них нельзя сильно полагаться. Чтобы обойти эти капризы, GNSS дружат с инерциальными штуковинами (INS), чтобы вместе ориентироваться, даже если GNSS замолчит. INS полагаются на блок IMU с крутящимися гироскопами и акселерометрами для ловли угловых скоростей и резких ускорений. Эти показания колдуются математикой, чтобы выдать местоположение, скорость и курс в моменте. Но IMU, особенно мелкие MEMS, любят пожужжать, уплывать и сбиваться с толку, накапливая ошибки со временем. В данной работе предлагается инновационный подход, основанный на применении технологий искусственного интеллекта (AI) для повышения качества сигналов IMU за счет подавления шума и коррекции ошибок, возникающих в процессе измерений. Предложенная методика включает в себя разработку гибридной нейронной сети, объединяющей свёрточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM), что позволяет эффективно обрабатывать временные ряды данных с инерциальных датчиков. Такая архитектура способна одновременно распознавать пространственные особенности сигналов и учитывать их временную зависимость, обусловленную изменяющимися условиями эксплуатации и динамикой носителя. Предложенный метод протестирован на реальных данных с инерциальных датчиков, и результаты показали высокую эффективность в подавлении шума и восстановлении полезных компонентов сигнала. Эксперименты подтвердили, что использование гибридной сети CNN-LSTM позволяет значительно повысить качество сигналов IMU, что, в свою очередь, улучшает работу интегрированных навигационных систем GNSS/INS. Данное исследование демонстрирует перспективность применения методов искусственного интеллекта для предварительной обработки сигналов датчиков, что способствует повышению точности современных навигационных систем в наземных, воздушных и мобильных приложениях.

Satellite navigation gadgets have become very popular over the last thirty years. They provide data about where you are and how fast you are going by taking signals from a bunch of satellites. But heres the kicker: in cities with giant buildings, in underground pipes, or where there is a lot of electromagnetic noise, their accuracy drops. And these signals are easy to knock down or fake, so they cannot be relied on too much in important navigation systems. To get around these vagaries, GNSS are friends with inertial navigation gadgets (INS) to navigate together even if the GNSS goes silent. INS rely on an IMU unit with spinning gyroscopes and accelerometers to catch angular rates and sudden accelerations. These readings are conjured up with math to give the location, speed, and course at the moment. But IMUs, especially small MEMS, like to buzz, float and get confused, accumulating errors over time. This paper proposes an innovative approach based on the application of artificial intelligence (AI) technologies to improve the quality of IMU signals by suppressing noise and correcting errors that occur during the measurement process. The proposed technique involves the development of a hybrid neural network combining convolutional neural networks (CNN) and long short-term memory (LSTM) networks, which allows for efficient processing of time series data from inertial sensors. Such an architecture is capable of simultaneously recognizing spatial features of signals and taking into account their temporal dependence due to changing operating conditions and vehicle dynamics. The proposed method was tested on real data from inertial sensors, and the results showed high efficiency in noise suppression and restoration of useful signal components. The experiments confirmed that the use of a hybrid CNN-LSTM network can significantly improve the quality of IMU signals, which in turn improves the performance of integrated GNSS/INS navigation systems. This study demonstrates the potential of using artificial intelligence methods for pre-processing sensor signals, which helps to improve the accuracy of modern navigation systems in ground, air and mobile applications.