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

Abstract

سامانه­های ناوبری اینرسی تلفیقی، به­منظور استفاده هم­زمان از مزایای ناوبری اینرسی و یک سامانه کمک ناوبری نظیر سامانه موقعیت­یابی جهانی توسعه داده می­شود. 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 به­دلیل مقرون به­صرفه بودن دارای دقت بالا نباشد، خطای ناوبری به­صورت تصاعدی با زمان و با نرخ بالا رشد خواهد کرد. جهت رفع این مشکل در اغلب مقالات ارائه­شده از شبکه­های عصبی و یا ماشین­بردار پشتیبان جهت یادگیری خطای ناوبری در زمان دریافت سیگنال کمک ناوبری بهره گرفته شده و سپس در زمان قطع این سیگنال از شبکه عصبی به­عنوان تخمین­گر خطای ناوبری استفاده شده­ است به­طوری­ که با افزودن مستقیم خروجی شبکه به نتیجه ناوبری اینرسی سعی در جبران خطای ناوبری اینرسی داشته­اند. در این مقاله هدف ارائه روشی به­منظور کاهش نرخ رشد خطای ناوبری اینرسی در زمان قطع سیگنال سامانه موقعیت­یابی جهانی می­باشد. به این منظور از شبکه­های عصبی با ساختار و ورودی­های مناسب جهت یادگیری خطای مسیر در زمان دریافت سیگنال کمک ناوبری استفاده شده است تا در زمان قطع سیگنال، از خروجی آن به­عنوان جایگزین المان کمک ناوبری برای تأمین ورودی مورد نیاز فیلتر کالمن جهت تخمین خطای ناوبری در حضور نویز پروسه استفاده شود. شبیه­سازی این الگوریتم که بر روی سه مسیر مختلف با 6 درجه آزادی انجام گرفته، نشان می­دهد روش ارائه­شده مستقل از مسیر پرواز وسیله بوده و منجر به کاهش موثرتر نرخ رشد خطای ناوبری در مقایسه با روش­های موجود، در زمان قطع سیگنال کمک ناوبری می­شود.