بهبود دقت الگوریتم فیلتر کالمن در سامانه ahrs با بکارگیری شبکه عصبی عمیق lstm

استفاده از سامانه ahrsدقیق مبتنی برسنسورهای تکنولوژی mems، با حجم‌کم و قیمت ارزان،نقش به سزایی در ناوبری و هدایت وسایل بدون سرنشین ایفا می-کند.امروزه استفاده از الگوریتم‌ها و روش های گوناگون از جمله فیلترهای وفقی، شبکه های عصبی و فیلترهای تخمینگر جهت افزایش دقت این سامانه ها و کاهش نویز سنسورهای آن بسیار مورد توجه محققان قرار گرفته است.در این مقاله از ترکیب شبکه عصبی عمیق lstm و فیلترکالمن جهت بهبود دقت سامانهahrsاستفاده شده است. در این روش ابتدا شبکه عمیق مورد استفاده تحت آموزش قرار گرفته و سپس به عنوان یک تصحیح‌گر، ضرایب موثر فیلترکالمن را تصحیح می‌کند. این روش تمامی محدودیت های فیلتر کالمن از جمله خطی بودن و حافظه دار نبودن آن را برطرف کرده و بدون استفاده از سامانه gpsدقت زوایای خروجی را بهبود بخشیده است. نتایج این تحقیق برروی داده‌های واقعی سنسورimu مبتنی بر تکنولوژی memsکه نسبت به سنسورهای مورد استفاده در کارهای مشابه دارای دقت کمتری بوده، نصب شده برروی هواپیمای بدون سرنشین با مانور بالا، انجام شده و بیانگر بهبود 35 درصدی دقت زوایای وضعیت سامانهahrs و بهبود 40 درصدی کاهش نویز خروجی سنسورها می‌باشد.

improving the accuracy of the kalman filter algorithm in ahrs sensor using lstm deep learning module

accurate attitude and heading reference system (ahrs) play an essential role in navigation and guidance unmanned vehicles. today, the use of various algorithms and methods, including adaptive filter, neural network and predictor filters, to increase the accuracy of these systems and reduce the noise of its sensors, has received much attention from researchers. in this paper, the combination of lstm deep neural network and kalman filter is used to improve the accuracy of ahrs system. in this method, first the deep network used is trained and then as a corrector, it corrects the effective coefficients of filter kalman. this method removes all the limitations of kalman filter, including its linearity and non-memory, and improves the accuracy of the output attitudewithout the use of gps. the experiments in this study, are based on real low-cost mems-based imu sensors, which is less accurate than sensors used in similar article, installed on high-maneuverability uav, present about 35% accuracy improvement in attitude estimation and 40% reduction of the output noise.