💻 computer science

Enhancing INS/GNSS Performance with Smart Learning Estimator

Dieses Paper schlägt einen „Smart Learning Estimator“ (SLE) vor, einen durch Deep Learning erweiterten Kalman-Filter, der TGAN-, LSTM- und RWFNN-Architekturen kombiniert, welcher die Genauigkeit und Robustheit kostengünstiger INS/GNSS-Navigationssysteme während längerer GNSS-Signalausfälle signifikant verbessert, indem er die Einschränkungen traditioneller linearer Filter überwindet.

Ursprüngliche Autoren: Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

Veröffentlicht 2026-07-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Navigieren ohne Karte

Stellen Sie sich vor, Sie fahren mit einem Auto durch dichten Nebel. Sie haben ein GPS (wie eine Karte auf Ihrem Handy), das Ihnen genau sagt, wo Sie sind, aber das Signal bricht wegen des Nebels oder hoher Gebäude ständig ab. Sie haben auch ein System zur Koppelnavigation (wie einen Schrittzähler und einen Kompass), der Ihre Schritte zählt und Ihre Drehungen verfolgt.

Das Problem: Wenn das GPS-Signal verschwindet, ist Ihr Schrittzähler für ein paar Sekunden zwar gut, aber er macht winzige Fehler. Da er jeden einzelnen Schritt aufsummieren muss, häufen sich diese winzigen Fehler schnell an. Nach einer Minute könnte Ihr „Schrittzähler“ denken, Sie befänden sich in einer ganz anderen Stadt als tatsächlich. Dies ist das Problem bei kostengünstigen Sensoren (genannt MEMS), die in Drohnen und kleinen Robotern verwendet werden.
Das Ziel: Die Autoren wollten ein „smartes Gehirn“ entwickeln, das schätzen kann, wo sich die Drohne befindet, selbst wenn das GPS-Signal vollständig weg ist, indem es aus den vergangenen Bewegungen der Drohne lernt.

Die Lösung: Der „Smart Learning Estimator“ (SLE)

Die Forscher entwickelten ein neues System namens Smart Learning Estimator (SLE). Stellen Sie sich dieses System wie einen hochtrainierten Co-Piloten vor, der tausende von Flugmustern auswendig gelernt hat. Anstatt nur auf den aktuellen Moment zu reagieren, betrachtet dieser Co-Pilot die Historie des Fluges, um die Zukunft vorherzusagen.

Der SLE ist eine „hybride“ Engine, die aus drei verschiedenen Teilen besteht, die wie eine dreiköpfige Boxencrew zusammenarbeiten:

1. Der Wavelet-Fuzzy-Filter (Die Noise-Cancelling-Kopfhörer)

Was er tut: Reale Sensoren sind unordentlich. Sie nehmen Vibrationen von den Motoren der Drohne, Windböen und elektrische statische Aufladung auf. Das ist so, als würde man versuchen, ein Gespräch in einem lauten Rockkonzert zu hören.
Die Analogie: Dieser Teil wirkt wie Noise-Cancelling-Kopfhörer. Er nutzt „Wavelets“ (eine mathematische Methode, um Schallwellen zu betrachten), um das nützliche Signal (die tatsächliche Bewegung der Drohne) vom Müll-Rauschen (Vibrationen) zu trennen. Er nutzt zudem „Fuzzy Logic“, was so ähnlich ist wie ein Mensch, der sagt: „Es ist nicht exakt 50 Grad, es ist ungefähr heiß“, um Unsicherheiten besser zu handhaben als starre Mathematik.

2. Das LSTM (Das Langzeitgedächtnis)

Was es tut: Standard-Computerprogramme vergessen oft, was vor ein paar Sekunden passiert ist. Aber um zu wissen, wo man jetzt ist, muss man wissen, wo man vor einer Minute war und wie man dorthin gelangt ist.
Die Analogie: Dies ist das Langzeitgedächtnis des Co-Piloten. Während ein normaler Computer vielleicht eine Kurve vergessen könnte, die Sie vor 10 Sekunden gemacht haben, führt dieses „Long Short-Term Memory“ (LSTM)-Netzwerk ein fortlaufendes Tagebuch. Es erinnert sich an die Abfolge der Ereignisse: „Wir sind nach links gedreht, dann beschleunigt, dann gesunken.“ Dies hilft ihm vorherzusagen, wo die Drohne sein sollte, selbst wenn das GPS stumm ist.

3. Das TGAN (Der kreative Simulator)

Was es tut: Dies ist der fortschrittlichste Teil. Es ist ein „Generative Adversarial Network“, das für Zeitreihendaten entwickelt wurde.
Die Analogie: Stellen Sie sich einen Meisterfälscher und einen Detektiv vor, die ein Spiel spielen.
- Der Generator versucht, eine gefälschte Flughistorie zu erstellen, die so echt aussieht, dass sie nicht vom Original zu unterscheiden ist.
- Der Diskriminator versucht, die Fälschungen zu entlarven.
- Sie spielen dieses Spiel immer und immer wieder, bis der Generator so gut darin wird, realistische Flugpfade zu erstellen, dass der Diskriminator keinen Unterschied mehr feststellen kann.
- Warum das wichtig ist: Wenn das GPS-Signal verloren geht, rät dieses System nicht einfach nur; es generiert einen hochwahrscheinlichen, realistischen Pfad basierend darauf, was die Drohne in dieser Situation normalerweise tut. Es füllt die fehlenden Kartendaten mit einer „bestmöglichen Schätzung“ auf, die mathematisch sehr nah an der Realität liegt.

Wie sie es getestet haben

Die Forscher ließen dies nicht nur auf einem Computer laufen; sie flogen eine echte Drohne (UAV), die mit diesen kostengünstigen Sensoren ausgestattet war.

Der Aufbau: Sie ließen die Drohne etwa 23 Minuten (1.400 Sekunden) lang fliegen.
Der Trick: Sie schalteten das GPS-Signal absichtlich für verschiedene Zeiträume aus (wie 480 Sekunden, 580 Sekunden und 800 Sekunden), um zu sehen, wie gut das System ohne GPS navigieren kann.
Der Wettbewerb: Sie verglichen ihren neuen „Smart Learning Estimator“ mit älteren Methoden wie Standard-Kalman-Filtern (dem traditionellen mathematischen Ansatz) und anderen KI-Modellen.

Die Ergebnisse

Das Paper behauptet, dass der Smart Learning Estimator (SLE) der klare Gewinner war.

Genauigkeit: Als das GPS unterbrochen wurde, hielt der SLE die Position und Geschwindigkeit der Drohne viel genauer als die anderen Methoden.
Die Zahlen: In einem Test lag die Standardmethode (Kalman-Filter) mit einer enormen Abweichung (102 Meter Fehler) zurück, während der SLE nur etwa 4,8 Meter Abweichung aufwies. Das ist eine massive Verbesserung (etwa 40–50 % besser).
Komplexe Manöver: Das System glänzte besonders, wenn die Drohne komplexe Bewegungen ausführte (kurvenfahren, beschleunigen, abbremsen). Das „smarte Gehirn“ konnte diese komplexen Bewegungen besser vorhersagen als die starre Mathematik älterer Systeme.

Der Kompromiss

Das Paper räumt ein, dass es einen Preis gibt. Dieses „smarte Gehirn“ ist schwerfällig. Es benötigt mehr Rechenleistung als die einfache Mathematik, die in älteren Systemen verwendet wird.

Das Urteil: Die Autoren argumentieren, dass für Aufgaben mit hohem Einsatzgebiet – wie etwa Präzisionslandwirtschafts-Drohnen (zum Sprühen von Nutzpflanzen), Lieferdrohnen in Städten oder militärische Führung – die zusätzliche Rechenleistung den Aufwand wert ist, um sicherzustellen, dass die Drohne nicht verloren geht.

Zusammenfassung

Kurz gesagt: Die Autoren haben ein Navigationssystem entwickelt, das Noise-Cancelling, Langzeitgedächtnis und kreative Simulation kombiniert, um kostengünstigen Drohnen dabei zu helfen, ihren Weg zu finden, wenn das GPS-Signal verschwindet. Es ist, als würde man einer Drohne einen Co-Piloten geben, der die Regeln des Fliegens so gut auswendig gelernt hat, dass er auch durch einen Sturm navigieren kann, selbst wenn die Karte fehlt.

Technisches Resümee: Verbesserung der INS/GNSS-Leistung durch einen Smart Learning Estimator

Problemstellung
Die Integration von Globalen Navigationssatellitensystemen (GNSS) mit Trägheitsnavigationssystemen (INS) ist eine Standardstrategie zur Milderung des inhärenten Drifts bei Positions-, Geschwindigkeits- und Orientationsschätzungen. Diese Abhängigkeit wird jedoch kritisch, wenn kostengünstige Mikro-Elektro-Mechanische Systeme (MEMS-Sensoren) verwendet werden, bei denen unkompensierte Bias-Werte und stochastisches Rauschen dazu führen, dass sich Fehler exponentiell akkumulieren. Während GNSS eine absolute Positionierung bietet, ist es anfällig für Signalbehinderungen, Blockaden und niedrige Aktualisierungsraten (typischerweise bis zu 5 Hz). Während GNSS-Ausfällen stoßen traditionelle Integrationsmethoden – primär Kalman-Filter (KF) und deren Varianten (EKF, UKF) – auf Schwierigkeiten, die Genauigkeit aufrechtzuerhalten. Diese konventionellen Filter verlassen sich oft auf linearisierte Dynamiken und Gaußsche Rauschannahmen, welche die komplexen, nichtlinearen Dynamiken und langfristigen zeitlichen Abhängigkeiten versagen lassen, die bei MEMS-Sensorfehlern während längerer Signalunterbrechungen auftreten. Darüber hinaus leiden Standard-Rekurrente Neuronale Netze (RNNs) unter verschwindenden oder explodierenden Gradienten, was ihre Fähigkeit einschränkt, sequentielle Daten über lange Zeiträume zu modellieren.

Methodik: Der Smart Learning Estimator (SLE)
Um diese Einschränkungen zu adressieren, schlagen die Autoren einen „Smart Learning Estimator“ (SLE) vor, ein durch Deep Learning erweitertes Kalman-Filter-Paradigma. Der Kern des SLE ist eine vierzehnlagige Hybridarchitektur, bezeichnet als TGAN-LSTM-RFW-KF. Diese Architektur integriert drei Primärkomponenten, um nichtlineare Dynamiken und langfristige Abhängigkeiten zu modellen:

Time-series Generative Adversarial Network (TGAN): Dieses Modul ist darauf ausgelegt, die zugrunde liegende Verteilung der INS/GNSS-Daten zu erlernen und latente Merkmale zu rekonstruieren. Es nutzt einen Generator, einen Diskriminator, ein Embedding und ein Recovery-Netzwerk, um komplexe, multimodale Wahrscheinlichkeitsverteilungen von Sensorfehlern zu erfassen. Es verwendet drei Verlustfunktionen (überwacht, Rekonstruktion und unüberwacht), um sicherzustellen, dass das Modell sowohl die zeitliche Dynamik als als auch die strukturelle Repräsentation der Daten erlernt.
Long Short-Term Memory (LSTM): Integriert, um die Einschränkungen von Standard-RNNs zu überwinden, nutzen die LSTM-Schichten Gating-Mechanismen (Input-, Forget- und Output-Gates), um relevante Informationen über ausgedehnte Sequenzen hinweg selektiv zu bewahren. Dies ermöglicht es dem System, die langfristigen zeitlichen Abhängigkeiten in der Bewegungsgeschichte des Fahrzeugs zu erfassen.
Recurrent Fuzzy Wavelet Neural Network (RFWNN): Diese Komponente kombeiniert Fuzzy-Logik-Systeme mit Wavelet-Neuronalen Netzwerken. Der Fuzzy-Inferenzmechanismus verwaltet komplexe nichtlineare Dynamiken, während die Wavelet-Zerlegung (unter Verwendung von Mexican-Hat-Basisfunktionen) eine präzise Schätzung lokalisierter Variationen und Rauschunterdrückung bietet. Das RFWNN fungt als intelligenter Vorverarbeiter, der das Signal entstört und Unsicherheiten behandelt, bevor es die Deep-Learning-Schichten erreicht.

Operativer Arbeitsablauf
Das System arbeitet in zwei distinkten Modi:

Trainingsmodus (GNSS verfügbar): Wenn die GNSS-Signale robust sind, verwendet das System einen Kalman-Filter, um INS- und GNSS-Daten zu fusionieren. Die resultierenden Fehlerzustände (Differenzen zwischen INS und GNSS) dienen als Ground-Truth-Ziele. Das TGAN-LSTM-RFW-Netzwerk wird auf Batches von Daten trainiert, wobei INS-abgeleitete Geschwindigkeit, Position und spezifische Kraft als Eingaben verwendet werden, um die entsprechenden Fehler vorherzusagen. Das Modell aktualisiert seine synaptischen Gewichte, um das Navigationswissen zu kapseln.
Vorhersagemodus (GNSS-Ausfall): Während Signalunterbrechungen wechselt das System in den Prognosemodus. Das konvergierte TGAN-LSTM-RFW-Modell nimmt aktuelle und historische INS-Daten als Input, um simulierte Geokoordinaten und Geschwindigkeitsfehler zu synthetisieren. Diese vorhergesagten Fehler werden dann in den Kalman-Filter zurückgeführt, um die Navigationslösung zu korrigieren und somit die Lücke zu schließen, bis die GNSS-Signale wiederhergestellt sind.

Kernbeiträge

Hybrid-Architektur: Die Arbeit führt eine neuartige 14-lagige Architektur ein, die TGAN, LSTM und RFWNN synergetisch innerhalb eines Kalman-Filter-Rahmens kombiniert. Dies adressiert die spezifischen Einschränkungen von Standard-KFs (Linearität und Gaußsche Annahmen) unter hohem Rauschen und niedrigen Aktualisierungsfrequenzen.
Modellierung langfristiger Abhängigkeiten: Durch die Nutzung von LSTM und TGAN mildert die Methode effektiv die Unfähigkeit traditioneller Filter und einfacher RNNs ab, die langfristigen sequentiellen Abhängigkeiten im INS-Drift zu modellieren.
Rauschrobustheit: Die Einbeziehung der Wavelet-Komponente ermöglicht die Zerlegung von Signalen in Frequenzbänder, wodurch hochfrequentes Sensorrauschen (thermisch, vibriert) von nützlichen Bewegungsdaten getrennt wird, was die Leistung unter turbulenten Bedingungen verbessert.
Validierung unter Realbedingungen: Die Methodik wird unter Verwendung realer Flugdaten einer Drohne (UAV) validiert, die mit einem MEMS-IMU und einem Garmin-GNSS-Empfänger ausgestattet ist, anstatt sich ausschließlich auf synthetische Daten zu verlassen.

Experimentelle Ergebnisse
Der SLE wurde gegen mehrere Benchmark-Algorithmen evaluiert, darunter ein Standard-KF, Feed-forward Time Delay Neural Networks (FTDNN), NARX, RFWNN sowie eigenständige LSTM-RFW-KF-Modelle. Die Evaluierung nutzte Root Mean Square Error (RMSE)-Metriken für Positionsfehler (Breitengrad/Längengrad) und Geschwindigkeitsfehler (Nord/Ost) während künstlicher GNSS-Ausfälle unterschiedlicher Dauer (beginnend bei 480s, 580s und 800s).

Leistung: Der SLE erreichte konsistent die niedrigsten RMSE-Werte über alle Testszenarien hinweg. Beispielsweise reduzierte der SLE den Geschwindigkeitsfehler-RMSE in einem 480-sekündigen Ausfall auf $1.07 \times 10^1$ und übertraf damit signifikant das Standard-KF ( $1.77 \times 10^2$ ) und andere neuronale Netzwerkvarianten.
Manöver-Sensitivität: Die Überlegenheit des SLE war besonders deutlich bei komplexen, dynamischen und Rotationsmanövern, bei denen traditionelle Filter und einfachere neuronale Netze eine höhere Fehlerakkumulation zeigten.
Genauigkeitsgewinn: Die Autoren berichten von einer Verbesserung der Genauigkeit um etwa 40–50 % während längerer GNSS-Ausfälle im Vergleich zu den Baseline-Methoden.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass der Smart Learning Estimator das Schätzparadigma erfolgreich von einer „instantanen Reaktion“ hin zu einer „Prognose basierend auf dem jüngsten Bewegungskontext“ verschiebt. Durch die Nutzung von Deep Learning zur Modellierung latenter Datendynamiken und langfristiger Abhängigkeiten ermöglicht der SLE eine präzise Trajektorienrekonstruktion und eine anhaltende Genauigkeit während längerer GNSS-Signalunterbrechungen. Die Autoren führen an, dass das Modell zwar eine höhere Rechenlast verursacht, moderne Edge-Computing-Hardware (wie der Texas Instruments AM69A Prozessor) jedoch eine Echtzeitimplementierung praktikabel macht. Die Arbeit positioniert diesen Ansatz als robuste Lösung für Anwendungen, die eine hohe Sicherheit und Zuverlässigkeit erfordern, wobei insbesondere Präzisionslandwirtschaft-UAVs, autonome Navigation und die urbane Paketlieferung genannt werden, bei denen die Aufrechterhaltung der Navigationstreue in GNSS-gestörten Umgebungen kritisch ist.