بهبود ناوبری ins/gps در زمان قطعی gps با استفاده از هوش مصنوعی

با توجه به اهمیت دقت ناوبری در کاربردهایی با سرعت بالا، اغلب سامانه ناوبری اینرسی (ins) را با یکی از سامانه‌های ناوبری ماهواره‌ای تلفیق می‌کنند. در یکی از انواع این روش‌ها که در آن ins با gps تلفیق می‌شود، مسئله‌ی قطعی gps یک چالش مهم و غیرقابل‌اجتناب است. مضاف بر قطعی gps، استفاده از حسگرهای ارزان‌قیمت میکرو الکترومکانیکی (mems) در ins، که دارای کیفیت پایین بوده و خروجی نویزی دارند، دقت ناوبری خالص ins را به‌شدت کاهش داده و با طولانی شدن قطعی gps، آن را به واگرایی می‌کشاند. در این مقاله با استفاده از هوش مصنوعی، ناوبری ins/gps را در زمان قطعی gps بهبود داده‌ایم. بدین‌صورت که بلوک هوشمند، خروجی ins را در زمان t1 و t2 دریافت می‌کند، لذا ورودی آن شامل اطلاعات مکانی و زمانی ins می‌باشد. خروجی بلوک هوشمند نیز مبیّن خروجی gps در زمان t است. در طول مدتی که gps در دسترس است، بلوک هوشمند در فاز آموزش است. در این فاز، خروجی بلوک هوشمند با مقدار مطلوب، که همان خروجی gps می‌باشد، مقایسه می‌شود. در زمان قطعی gps، عملاً بلوک هوشمند خروجی ins را به سمت خروجی gps میل می‌دهد. به‌منظور سنجش این رویکرد و نیز مقایسه دقت تخمین تعدادی از سامانه‌های هوشمند متفاوت، در پنج روش مختلف، از شبکه‌های عصبی mlp، rbf، svr، موجک و نیز سامانه استنتاج فازیعصبی تطبیقی به‌عنوان بلوک هوشمند استفاده کرده‌ایم. همچنین دادههایی که در این مقاله برای سنجش روش‌های بیان‌شده، استفاده شده است، از یک محیط واقعی توسط یک مینی هواپیما جمع‌آوری شده است. نتایج به‌دست‌آمده برای هر پنج روش، نشان‌دهنده‌ی آن است که ناوبری تحت این رویکرد در زمان قطعی gps، نسبت به ناوبری خالص ins به‌صورت چشم‌گیری بهبودیافته است. در میان پنج بلوک هوشمند نیز، شبکه عصبی موجک توانسته است حدوداً بیش از 30 درصد نسبت به دیگر روش‌ها دقت داشته باشد.

Improving INS/GPS Integration with Artificial Intelligence during GPS Outage

The importance of navigation precision in high dynamic environments has led to integrating the Inertial Navigation System (INS) with satellite navigation systems. In one of those integration methods that INS is integrated with GPS, GPS outage is an unavoidable challenge. Moreover, due to significant noisy signal existing in lowcost MEMS sensors, navigation precision severely decreases, and the INS error will diverge in the long term. This paper improves the INS/GPS navigation system using Artificial Intelligence (AI) during GPS outage. In this approach, the INS outputs at t and t1 are injected to the AI module as the positioning and timing information. While GPS is available, the AI module is trained, and its output is compared with the GPS output. The AI module indeed intents to drive the INS output to the GPS output during GPS outage. To evaluate this approach and compare with some different intelligence systems, we have utilized Neural Networks (NNs) as an AI module in five different NNs: multilayer perceptron (MLP(, radial basis function )RBF(, support vector regression (SVR(, Wavelet, and adaptive neurofuzzy inference system (ANFIS). The required dataset to compare all five mentioned methods is gathered in a real environment by a miniairplane. The results of all five methods represent that the proposed methods have superior performance compared to other traditional methods; so that the wavelet NN outperforms others by approximately 30%.