Neural-Assisted in-Motion Self-Heading Alignment

إليك ملخص تقني مفصل لورقة البحث بعنوان "المحاذاة المعتمدة على الشبكة العصبية للاتجاه الذاتي أثناء الحركة" (Neural-Assisted in-Motion Self-Heading Alignment) للباحث زيف يامبولسكي وآخرون.

1. بيان المشكلة

يعد التقدير الدقيق للاتجاه الأولي (المنحرف/Yaw) متطلباً أساسياً وحرجاً لتشغيل أنظمة الملاحة بالقصور الذاتي من النوع "Strapdown" (SINS) على المنصات البحرية ذاتية القيادة (مثل المركبات الغواصة المستقلة AUVs، والمركبات السطحية المستقلة ASVs).

• التحدي: تعتمد النهج التقليدية القائمة على النماذج (مثل تفكيك المتجهات المزدوجة Dual-Vector Decomposition وتفكيك الوضعية الأمثل Optimized Attitude Decomposition) على صياغات تحليلية تتطلب أوقات محاذاة طويلة لتحقيق دقة مرضية، خاصة في البيئات البحرية منخفضة الديناميكية أو شبه المستقرة حيث يكون الدعم الخاري (مثل نظام GNSS) محدوداً أو غير متاح خلال المرحلة الأولية.
• قصور الطرق الكلاسيكية: هذه الطرق حساسة للغاية للاضطرابات البيئية، وضجيج المستشعرات، و"ثراء" حركة المركبة (الاستثارة). وغالباً ما تعاني من تدهور كبير في الدقة عندما تكون المركبة راسية أو تنجرف ببطء، مما يستلزم فترات انتظار طويلة قبل بدء المهمة.

2. المنهجية: HeadingNet

يقترح المؤلفون HeadingNet، وهو إطار عمل يعتمد على الشبكات العصبية، ينتهي عند المدخلات (end-to-end)، وخالٍ من النماذج (model-free)، ومصمم لتقدير زاوية الاتجاه الأولي بسرعة ودقة باستخدام القياسات العطالية فقط.

بيانات المدخلات

تستخدم الشبكة أربعة مدخلات محددة، تحاكي الكميات الفيزيائية المستخدمة في الطرق الكلاسيكية ولكنها تُعالج بشكل مختلف:

1. السرعة الزاوية المقاسة ($\tilde{\omega}^b_{ib}$) من وحدة القياس العطالي (IMU).
2. القوة النوعية المقاسة ($\tilde{f}^b$) من وحدة القيقت (IMU).
3. معدل النقل ($\omega^n_{in}$) المستمد من تحديد الموقع عبر نظام GNSS-RTK.
4. متجه الجاذبية المحلي ($g_n$) المستمد من تحديد الموقع عبر نظام GNSS-RTK.

بنية الشبكة

تستخدم HeadingNet بنية شبكة عصبية تلافيفية ثنائية الأبعاد متعددة الرؤوس (multi-head 2DCNN) مصممة لتعكس التفكيك الفيزيائي لمشكلة المحاذاة:

• المعالجة مزدوجة الرؤوس: يتم تقسيم المدخلات بناءً على أطرها المرجعية (إطار الجسم مقابل إطار الملاحة) وتتم معالجتها بواسطة رأسي 2DCNN متوازيين (الرأس 1 والرأس 2). تستخرج هذه الرؤوس الميزات المكانية والزمانية من المستويات الدنيا.
• دمج الميزات: يتم دمج مخرجات الرأسين الأولين وتغذيتهما في رأس ثالث (الرأس 3) من نوع 2DCNN لاستخراج الميزات بدقة أكبر وتحليل الارتباط.
• كتلة الانحدار (Regression Block): يتم تسطيح الميزات المستخرجة وتمريرها عبر كتلة متصلة بالكامل (FC) تتكون من أربع طبقات مع تنشيط TanH واستخدام تقنية Dropout للتنظيم، وذلك لإخراج زاوية الاتجاه المقدرة ($\hat{\psi}$).
• القابلية للتكيف: البنية مرنة؛ حيث تم تطوير خمس نسخ من HeadingNet (HeadingNet10, 30, 60, 90, 120) لتتناسب مع نوافذ زمن المحاذاة المختلفة ($T_{Align}$). ومع زيادة $T_{Align}$، يتم تعديل أحجام النواة (kernel sizes) وعمق الطبقات للتعامل مع الأبعاد الزمنية الأكبر للمدخلات.

استراتيجية التدريب

• دالة الخسارة: تم استخدام خسارة متوسط مربع الخطأ الدوري (Cyclic Mean Square Error - CMSE) لمراعاة الطبيعة الدورية للزوايا (على سبيل المثال، التمييز بين $359^\circ$ و $1^\circ$).
• المُحسِّن (Optimizer): تم استخدام AdamW مع اضمحلال الوزن (weight decay) ومجدول معدل تعلم من نوع StepLR.
• التنظيم: تم تطبيق طبقات Dropout لمنع الإفراط في التخصيص (overfitting).

3. المساهمات الرئيسية

1. نهج مدعوم عصبياً وخالٍ من النماذج: تقدم الورقة إطار عمل مبتكرًا ينتهي عند المدخلات، يستبدل بناء ناقلات الملاحظة التحليلية التقليدية بشبكة عصبية تعتمد على البيانات، مما يلغي الحاجة إلى النمذجة الفيزيائية الصريحة للضجيج والاستثارة.
2. بنية CNN مبتكرة متعددة الرؤوس: يستخدم التصميم بنية 2DCNN محددة متعددة الرؤوس تحاكي الفصل الفيزيائي لمتجهات إطار الجسم وإطار الملاحة، مما يستفيد من قدرة الشبكة على تعلم العلاقات غير الخطية المعقدة والارتباطات الزمنية من الرتب العليا.
3. تقليل كبير في وقت المحاذاة: يظهر النهج قدرة على تحقيق تقديرات عالية الدقة للاتجاه في أطر زمنية أقصر بكثير مقارنة بالطرق المتقدمة القائمة على النماذج.

4. النتائج التجريبية

تم التحقق من المنهج باستخدام مجموعة بيانات حقيقية تم جمعها من مركبة سطحية ذاتية القيادة (ASV) كانت راسية عند رصيف ميناء على مدار خمسة أيام مختلفة تحت ظروف بحرية متنوعة. تضمنت مجموعة البيانات بيانات IMU (بتردد 100 هرتز) وبيانات GNSS-RTK (بتردد 5 هرتز).

• المقارنة المرجعية: تمت مقارنة HeadingNet مع أربع طرق كلاسيكية هي: I-DVA، وA-DVA، وI-OBA، وA-OBA.
• تحسين الدقة:
  • حققت HeadingNet تحسناً في متوسط الخطأ المطلق (AE) بنسبة 53% مقارنة بأفضل نموذج قائم على النماذج في جميع أوقات المحاذاة المختبرة.
  • عند أقصر وقت محاذاة (10 ثوانٍ)، حققت HeadingNet تحسناً بنسبة 97% في الدقة مقارنة بأفضل نموذج مرجعي (الذي سجل خطأً قدره ~150 درجة مقابل ~4.3 درجة لـ HeadingNet).
  • حتى عند أطول وقت محاذاة (120 ثانية)، تفوقت HeadingNet على أفضل نموذج مرجعي بنسبة 51%.
• كفاءة الوقت:
  • قللت HeadingNet من وقت المحاذاة المطلوب بما يصل إلى 67%.
  • على وجه التحديد، حققت HeadingNet في 10 ثوانٍ دقة لم يصل إليها أفضل نموذج مرجعي إلا عند 30 ثانية (تقليل زمن بنسبة 66%).
  • عند 30 ثانية، طابقت HeadingNet دقة النماذج المرجعية التي تطلبت 60 ثانية (تقليل زمن بنسبة 50%).
• التقارب (Convergence): أظهرت الشبكة تقارباً سريعاً، حيث حققت خطأ محاذاة أقل من 5 درجات في غضون 10 ثوانٍ فقط، بينما تطلبت الطرق الكلاسية غالباً عدة دقائق للوصول إلى استقرار مماثل.

5. الأهمية

يمثل هذا العمل تحولاً جذرياً في محاذاة الملاحة بالقصور الذاتي للأنظمة البحرية ذاتية القيادة:

• الكفاءة التشغيلية: من خلال تقليل الوقت المطلوب للمحاذاة الأولية للاتجاه بشكل كبير، يمكن للمنصات ذاتية القيادة الانتشار بشكل أسرع، وهو أمر بالغ الأهمية للمهام الحساسة للوقت مثل البحث والإنقاذ أو الاستجابة السريعة.
• المتانة في الظروف منخفضة الديناميكية: أثبت النهج العصبي تفوقه في البيئات منخفضة الديناميكية والمزدحمة بالضجيج، حيث تعاني النماذج التحليلية الكلاسية بسبب ضعف القدرة على الملاحظة.
• إمكانات الاعتماد على البيانات: يؤكد هذا العمل أن التعلم العميق يمكنه بفعالية تعلم الخرائط الضمنية من بيانات المستشعرات الخام إلى حالات الملاحة، مما يلتقط الأنماط الزمنية المعقدة التي قد تغفل عنها النماذج التحليلية الثابتة.

في الختام، توفر HeadingNet بديلاً قوياً وخالياً من النماذج للمحاذاة التقليدية لنظام SINS، مما يوفر حلاً عملياً للتهيئة السريعة وعالية الدقة للمركبات البحرية ذاتية القيادة.