Імітаційне моделювання безплатформної інерціальної навігаційної системи бпла на основі нейромережевих алгоритмів

Аналіз наукових праць предметної області. В науковому дослідженні [11] показано ефективний метод компенсації похибок МЕМС інерціальної навігаційної системи на основі рекурентної нейронної мережі LSTM – RNN. Однак було встановлено, що під час польоту БПЛА структура нейромережі ускладнюється, що накладає додаткове обчислювальне навантаження на мікрокомп’ютер навігаційної системи.

В роботі [12] представлено метод інерціальної навігації на основі модифікованого фільтра Калмана в поєднанні с алгоритмом оберненого поширення помилки нейромережі, для мінімізації обчислювального навантаження.
Запропонований вдосконалений фільтр Калмана на основі нейронних мереж показав кращі результати під час процесу обчислення оцінки навігаційних параметрів (початковий кут зсуву), однак модель не враховує залежність похибок БІНС на т-1 кроці, коли діючі шумові характеристики відносно попередніх невизначені.
Автори статті [13] запропонували вдосконалений метод фільтрації Калмана за допомогою нейронної мережі з радіальною базовою функцією для зменшення впливу динамічного середовища на визначення траєкторії БПЛА після втрати сигналу GPS.
Результат показав, що за допомогою запропонованого методу вдалося досягти зменшення впливу динамічних варіацій шумових характеристик БІНС БПЛА після втрати GPS сигналу, але це призводить до зростання обчислювальної складності відносно часу роботи, і може
бути використане за відсутності обмежень на масо-габаритні показники навігаційного обладнання БПЛА.

В роботі [14] запропонований метод фільтрації вибірки вихідних даних гіроскопа на основі генетичного нейромережевого алгоритму пошуку нейронної архітектури NAS – RNN.
Результат показав, що при застосуванні алгоритму NAS – RNN стандартне відхилення показників МЕМС – гіроскопу зменшилося в порівнянні з відхиленням при LSTM – RNN, але використання алгоритму NAS – RNN призводить до збільшення часу необхідного на пошук та навчання адаптивної моделі нейромережевої структури навігаційної системи.
На сьогодні, в галузі машинного навчання все більше зростає популярність алгоритмів автоматичного пошуку моделі нейромережевих структур, що дозволяє максимально точно підібрати модель нейромережі для вирішення цільової задачі враховуючи обмеження.
Один із відомих методів автоматизованого машинного навчання є алгоритмагностичної мережі підбору нейронної архітектури WANN [15], на відміну від традиційних алгоритмів WANN замість підлаштування вагових коефіцієнтів, використовує варіаційний процес на основі генетичного методу підбору архітектури нейромереж з загальним ваговим коефіцієнтом, що скорочує час на адаптацію вибраної архітектури нейронної мережі для вирішення цільової задачі.
В роботі [7] алгоритм WANN вперше був застосований для вирішення задач автономної навігації БПЛА, а саме процесу компенсацій похибок гіроскопу кутового прискорення інерціальної навігаційної системи МЕМС. Експериментальний аналіз трьох алгоритмів штучних нейронних мереж пошуку нейронної архітектури Neural Architecture Search recurrent neural network (NAS-RNN), коротко та довготривалої рекурентної мережі Long short-term memory recurrent neural network (LSTM-RNN) та агностичної мережі підбору архітектури Weight Agnostic Neural Networks (WANN) показали, що при застосуванні NASRNN значення стандартного відхилення тривісних вимірювань гіроскопу зменшилися
відповідно на 44.0%, 34.1% та 39.3%.
Однак, для реалізації в реальному часі вище зазначених нейромережевих алгоритмів на базі технології МЕМС малогабаритних мікрокомп’ютерів Arduino, як правило, потребують процесу квантування нейромережі [16] (для зниження розмірності архітектури нейромережі), але точність таких нейромереж знижується на 20 – 30%.
На сьогодні для розробки інтелектуальних систем навігації переважно застосовують динамічні нейронні мережі [17], які дозволяють уникнути процесу квантування без втрати точності нейромережевої моделі. Тому, пропонується розглянути альтернативні алгоритми
на основі екстремального машинного навчання ELM, які були представлені в [18, 19].
Таким чином, метою статті є експеримент застосування нейромережевих алгоритмів у якості систем керування траєкторією БПЛА в автономному режимі польоту, суть якого полягає в процесі зменшення відхилення від цільової траєкторії БПЛА в умовах раптового
зникнення сигналів GPS.
Стаття складається з трьох розділів в яких розкривається аналіз основних алгоритмів адаптації (RLS, LMS), та представлено концептуальне завдання застосування лінійного нейронного регулятора для фільтрації сигналів в адаптивних антенних решітках.
Виклад основного матеріалу в загальному вигляді, модель траєкторії БПЛА будується на основі даних навігаційної системи глобальної системи позиціювання GPS та процесів роботи МЕМС інерціальної системи навігації вдосконаленого фільтру Маджвіка, яка в сутності представляє собою 18-мірний вектор стану, що показано в рівнянні: