یک سامانه جدید موقعیّت‌یابی بصری اینرسی ‌سبک‌وزن مقاوم در مقابل حملات لیزری به بخش بصری مبتنی بر شبکه کانولوشنی ‌کم‌عمق و فیلتر کالمن هوشمند

یک رکن اساسی و اولیّه در ناوبری، موقعیّت‌یابی وسیله به طور لحظه‌ای است؛ یعنی در هر لحظه، بایستی مکان و سرعت وسیله تخمین زده شود. برای دستیابی به یک موقعیّت‌یابی با دقت مناسب و نرخ بالا، اغلب از تلفیق چندین منبع موقعیّت‌یابی استفاده می‌شود. در کاربردهای داخل ساختمان که استفاده از سامانه‌های موقعیّت‌یابی ماهواره‌ای منتفی است، یکی از سامانه‌های مرسوم، سامانۀ موقعیّت‌یابی تلفیقی بصری اینرسی (vio) است. در دهه‌های اخیر با پیشرفت شبکه‌های عمیق هوش مصنوعی و قابلیّت پیاده‌سازی آن‌ها روی بردهای دارای پردازنده‌های گرافیکی (gpu)، سامانۀ vio مبتنی بر یادگیری عمیق با استقبال فراوان مواجه شده است. با این حال، سامانۀ vio ممکن است با چالش حملات از راه دور مواجه شود که با تاباندن لیزر به عدسی دوربین‌ها انجام می‌شود و موجب تخریب قاب‌های تصاویر شده و موقعیّت‌یابی بصری را دچار اختلال می‌نماید. این مقاله یک سامانۀ vio ‌مقاوم در مقابل حملات لیزری، مبتنی بر شبکه‌های عمیق کانولوشنی کم‌عمق را پیشنهاد می‌کند. مضاف بر این مورد، این سامانه به منظور تناسب با کاربردهای دارای محدودیّت توان مصرفی، مانند کاربردهای دارای باتری، برای تلفیق نمودن دو منبع مختلف موقعیّت‌یابی، به جای استفاده از شبکه‌های بازگشتی، از یک فیلتر کالمن هوشمند استفاده می‌کند. دقت سامانه ‌مقاوم پیشنهادی در شرایط وقوع حملات لیزری در مقایسه با سامانۀ ناوبری اینرسی (ins) تنها، حدود 20 % بهبود داشته است.

a novel lightweight vio system with laser attack resilience using a shallow cnn and an intelligent kalman filter

a fundamental and primary aspect of navigation is the real-time estimation of the vehicle's position and speed, requiring continuous updates. to achieve precise and high-rate localization, a combination of multiple positioning sources is often employed, especially in indoor applications where satellite-based navigation systems are not feasible. one common system used in such applications is the visual-inertial odometry (vio) system. in recent decades, with the advancement of artificial intelligence deep learning networks and the feasibility of implementing them on graphics processing unit (gpu) platforms, the vio system, based on deep learning, has encountered substantial interest. however, vio systems may face challenges from remote attacks, particularly laser-induced attacks affecting camera lenses. these attacks can disrupt the captured images and compromise the visual localization. this paper proposes a robust vio system against laser attacks, leveraging shallow convolutional neural networks. additionally, to address power-constrained applications, such as battery-powered scenarios, the system employs an intelligent kalman filter for fusing two different positioning sources instead of using recurrent neural networks. in comparison to the inertial navigation system (ins), the proposed robust vio system exhibits about 20% enhancement in accuracy under conditions of laser attacks.