کاهش نرخ رشد خطا در یک سامانه ناوبری تلفیقی ارزان قیمت با استفاده از شبکه های عصبی

سامانه های ناوبری اینرسی تلفیقی، به منظور استفاده هم زمان از مزایای ناوبری اینرسی و یک سامانه کمک ناوبری نظیر سامانه موقعیت یابی جهانی توسعه داده می شود. در صورت قطع سیگنال ناوبری کمکی در حین عملکرد چنین سامانه تلفیقی، راه حل معمول استفاده از اطلاعات ناوبری اینرسی در ادامه مسیر خواهد بود. اما در مواردی که حسگرهای سامانه ناوبری اینرسی به دلیل مقرون به صرفه بودن دارای دقت بالا نباشد، خطای ناوبری به صورت تصاعدی با زمان و با نرخ بالا رشد خواهد کرد. جهت رفع این مشکل در اغلب مقالات ارائه شده از شبکه های عصبی و یا ماشین بردار پشتیبان جهت یادگیری خطای ناوبری در زمان دریافت سیگنال کمک ناوبری بهره گرفته شده و سپس در زمان قطع این سیگنال از شبکه عصبی به عنوان تخمین گر خطای ناوبری استفاده شده است به طوری که با افزودن مستقیم خروجی شبکه به نتیجه ناوبری اینرسی سعی در جبران خطای ناوبری اینرسی داشته اند. در این مقاله هدف ارائه روشی به منظور کاهش نرخ رشد خطای ناوبری اینرسی در زمان قطع سیگنال سامانه موقعیت یابی جهانی می باشد. به این منظور از شبکه های عصبی با ساختار و ورودی های مناسب جهت یادگیری خطای مسیر در زمان دریافت سیگنال کمک ناوبری استفاده شده است تا در زمان قطع سیگنال، از خروجی آن به عنوان جایگزین المان کمک ناوبری برای تامین ورودی مورد نیاز فیلتر کالمن جهت تخمین خطای ناوبری در حضور نویز پروسه استفاده شود. شبیه سازی این الگوریتم که بر روی سه مسیر مختلف با 6 درجه آزادی انجام گرفته، نشان می دهد روش ارائه شده مستقل از مسیر پرواز وسیله بوده و منجر به کاهش موثرتر نرخ رشد خطای ناوبری در مقایسه با روش های موجود، در زمان قطع سیگنال کمک ناوبری می شود.

Error Rate Reduction of a LowCost Integrated Navigation System Using Neural Networks

Recently integrated navigation systems are developed to use the advantages of both inertial navigation and global positioning system. In such integrated navigation systems when the GPS signal is missed, the system works based on inertial navigation data. In this condition the navigation error increases progressive, especially when the INS sensors have low accuracy. To overcome this problem in most of the previous researches neural networks or support vector machines are applied to learn the navigation errors when the auxiliary navigation signal exists. As soon as the auxiliary navigation signal is lost the output of trained NN’s are summed with the output of inertial navigation system to remove the navigation errors directly. In this paper a method is proposed to decrease the navigation error rate in presence of process and measurement noise. Actually here multilayer perceptron neural networks are trained to learn the navigation errors when the auxiliary navigation signal is received, then the output of neural networks are applied to a Kalman filter which estimates the navigation errors. Simulation is carried out on three different 6Dof paths. The results show that the proposed method is independent of flight path and has more effective performance in compare with mentioned methods.