卡爾曼濾波器自20 世紀 60 年代問世以來，一直被廣泛應用于制導和導航領域。卡爾曼濾波器在基本實現(xiàn)的基礎上進行了許多改進，如擴展卡爾曼濾波器和無香味卡爾曼濾波器。然而，近年來，一種基于人工神經(jīng)網(wǎng)絡（ANN）處理的新濾波方法取得了重大突破，將慣性導航行業(yè)推向了一個新時代。
直到最近，人工智能（AI）在慣性導航應用領域的具體成果還很少，直到2012年Advanced Navigation公司開始將大學研究的融合神經(jīng)網(wǎng)絡商業(yè)化。
隨著全球?qū)Ш叫l(wèi)星系統(tǒng)干擾和欺騙技術的廣泛使用，風險進一步加大。這迫使國防機構放棄僅使用全球?qū)Ш叫l(wèi)星系統(tǒng)提供定位信息的解決方案，轉而采用能提供必要精度和可靠死區(qū)重定位性能的慣性導航系統(tǒng)（INS）解決方案。
人工神經(jīng)網(wǎng)絡的核心是具有自學能力，隨著時間的推移，它能將來自各種傳感器的輸入轉化為更好的輸出結果，同時獲得更多的數(shù)據(jù)。更確切地說，典型的人工神經(jīng)網(wǎng)絡會經(jīng)歷兩個不同的階段。
? 在初始階段，組成人工神經(jīng)網(wǎng)絡的處理單元被 “傳授 ”一套學習規(guī)則，用于指導結果，并通過比較實際輸出與預期輸出來識別數(shù)據(jù)中的模式。
? 第二階段，對實際數(shù)據(jù)進行修正（稱為反向傳播），以實現(xiàn)預期輸出。
Advanced Navigation 公司的解決方案采用了長短時記憶（LSTM）人工智能原理，非常適合根據(jù)重要事件之間持續(xù)時間不固定的傳感器數(shù)據(jù)進行分類、處理和預測。
由于 LSTM 可在較長的時間跨度內(nèi)運行，因此與通常與卡爾曼濾波器相關的隱馬爾可夫模型相比，它對間隙長度相對不敏感。
Advanced Navigation 的 ANN 依賴于三種類型的記憶：
? 在實驗室中，長期學習是在推理引擎中硬編碼的，以在各種環(huán)境中進行的多小時測試為基礎。
? 在現(xiàn)場，短期學習每秒兩次更新推理引擎中的模型。這種學習受到更多限制，我們稱之為 “中等水平學習”。
? 每分鐘一次的 “深度學習 ”會對所有傳感器數(shù)據(jù)進行操作，對系統(tǒng)進行自我建模，以便對所學模型進行最復雜的更新。
在傳感器輸入處理過程中，利用濾波處理的常見誤差有兩種：
? 確定性誤差 - 包括偏差、比例因子誤差和非正交誤差
? 隨機誤差 - 包括不穩(wěn)定性和信號噪聲
傳感器的溫度校準可以消除大部分誤差，但要消除其余誤差，還需要對傳感器誤差進行實時估算，這對系統(tǒng)的精度至關重要。
由于任何 INS 都有大量傳感器輸入，因此預計需要進行合理數(shù)量的濾波、計算和整合，以持續(xù)確定當前位置、方向和速度。
傳統(tǒng)的濾波器在糾正這些誤差方面存在局限性，這為人工神經(jīng)網(wǎng)絡解決方案填補這一空白打開了大門。
傳統(tǒng)的卡爾曼濾波器和擴展卡爾曼濾波器在跟蹤傳感器誤差時，由于受到線性近似的限制，可能會出現(xiàn)某種延遲，這種延遲是基于剛剛發(fā)生的事情和現(xiàn)在正在發(fā)生的事情。而 ANN 濾波器的優(yōu)勢在于，由于使用了所有可用數(shù)據(jù)，傳感器誤差跟蹤的準確性大大提高，從而能夠更好、更快地估計誤差。
首先，ANN 濾波器的完整性監(jiān)測功能遠遠優(yōu)于傳統(tǒng)濾波器，使其能夠在更深層次上拒絕錯誤測量并調(diào)整不一致數(shù)據(jù)的準確性。這使得系統(tǒng)在困難條件下的性能大大提高，因為在這種條件下，大量錯誤數(shù)據(jù)通常更為普遍。在城市峽谷等多路徑（反射信號）GNSS 條件下，性能提升尤為明顯。
其次，在基于卡爾曼濾波器的傳統(tǒng)系統(tǒng)中，對各種傳感器輸入的位置、速度和加速度采用線性約束，以模擬車輛運動。相比之下，在使用 ANN 時，非線性約束被應用于更全面、更真實的車輛動態(tài)運動模型，從而可以更好地跟蹤誤差，獲得更可靠的數(shù)據(jù)和更高的精度。
實際上，開發(fā)一個非線性但嚴格受限的人工智能融合神經(jīng)網(wǎng)絡模型并非易事。
只有通過嚴格的流程以及多年的實驗室和實地研究才能實現(xiàn)。這項工作始于 2007 年的大學研究，目的是開發(fā)一個高度受限的定制神經(jīng)網(wǎng)絡，建立訓練模式并收集大量數(shù)據(jù)。
如果不是通過定制神經(jīng)網(wǎng)絡設計方法對人工智能模型進行限制，它很可能會導致不可預測的結果，并需要更高水平的處理。事實上，與傳統(tǒng)的卡爾曼濾波方法相比，它可能不會帶來任何凈效益。
由于實施了高度受限的人工智能學習模型，我們可以在高端微處理器上開發(fā) INS 產(chǎn)品，這些微處理器的運行功耗相對較低。
此外，Advanced Navigation 的所有 IMU 和 INS 產(chǎn)品均采用 1000 Hz（1 kHz）內(nèi)部濾波率，可在要求最苛刻的應用中提供高動態(tài)性能。
Advanced Navigation 的突破性創(chuàng)新成果可用于多個 IMU 和 INS 解決方案，在最小尺寸、重量和功耗方面都極具競爭力。
人工神經(jīng)網(wǎng)絡為慣性導航提供了一種新的方法，與以往的技術和工藝相比，這種方法具有顯著的優(yōu)勢。不僅如此，使用 AI/ANN 還有助于我們繼續(xù)開發(fā)高性能產(chǎn)品，并在各個性能級別上提供極具競爭力的 SWaP-C。
? Advanced Navigation Spatial MEMS GNSS/INS 傳感器
? 3DM-GX5-GNSS/INS 高性能 GNSS 導航傳感器
? 3DM-GX5-GNSS/AHRS 高性能 GNSS 導航傳感器
? 3DM-GQ7-GNSS/INS 雙天線多頻段RTK導航系統(tǒng)
? 3DM-CX5-GNSS/INS 高性能 GNSS 導航傳感器
