Neural-Assisted in-Motion Self-Heading Alignment

Resumen Técnico: Alineación de Rumbo Autónomo en Movimiento Asistida por Redes Neuronales

1. Problema

La navegación autónoma en entornos marinos (como vehículos de superficie autónomos - ASV o vehículos submarinos - AUV) depende críticamente de una estimación precisa del rumbo inicial (yaw) para operar correctamente los sistemas de navegación inercial (SINS).

• Desafío Principal: Los métodos tradicionales basados en modelos (como la descomposición de vectores duales - DVA, o la descomposición de actitud basada en optimización - OBA) requieren tiempos de alineación prolongados (a menudo más de 120 segundos) para alcanzar una precisión aceptable, especialmente en condiciones de baja dinámica, deriva lenta o con poca excitación externa.
• Limitaciones Actuales: Estos métodos analíticos son sensibles al ruido de los sensores, a las perturbaciones ambientales y a la falta de observabilidad en intervalos cortos. Esto resulta en tiempos de despliegue más largos y una menor precisión durante las fases iniciales de la misión.

2. Metodología: HeadingNet

Los autores proponen HeadingNet, un marco de trabajo end-to-end, libre de modelos y asistido por redes neuronales, diseñado para estimar el ángulo de rumbo de manera rápida y precisa utilizando únicamente mediciones inerciales y datos de navegación conocidos.

• Entradas del Modelo: El sistema utiliza cuatro tipos de datos, idénticos a los usados en los enfoques basados en modelos:
  1. Velocidad angular medida ($\tilde{\omega}^b_{ib}$).
  2. Fuerza específica medida ($\tilde{f}^b$).
  3. Tasa de transporte ($\omega^n_{in}$), calculada a partir de GNSS.
  4. Vector de gravedad ($g_n$), calculado a partir de la latitud.
• Arquitectura de la Red Neuronal:
  • Se basa en una arquitectura de redes convolucionales bidimensionales (2DCNN) con un diseño de múltiples cabezas (multi-head).
  • Cabezas 1 y 2: Procesan por separado las mediciones en el marco del cuerpo (velocidad angular y fuerza específica) y en el marco de navegación (transporte y gravedad) mediante capas convolucionales y de pooling máximo.
  • Cabeza 3: Concatena las salidas de las primeras dos cabezas para extraer características de nivel superior y dependencias ocultas.
  • Bloque de Regresión: Una serie de capas totalmente conectadas (FC) con funciones de activación LeakyReLU y Tanh, seguidas de capas de Dropout para regularización, que estiman el ángulo de rumbo final.
• Adaptabilidad: La arquitectura se adapta dinámicamente al tiempo de alineación ($T_{Align}$) variando el tamaño de los kernels de las convoluciones y añadiendo capas extra para manejar diferentes duraciones de entrada (10, 30, 60, 90 y 120 segundos).
• Función de Pérdida: Se utiliza una Pérdida de Error Cuadrático Medio Cíclico (CMSE) para manejar la naturaleza cíclica de los ángulos (evitando discontinuidades en 0°/360°).

3. Contribuciones Clave

1. Enfoque Libre de Modelos: Presentación de un método end-to-end que no requiere la construcción explícita de vectores de observación analíticos ni la resolución de problemas de optimización Wahba, aprendiendo directamente la relación no lineal entre los sensores y el rumbo.
2. Arquitectura Novel Multi-Head 2DCNN: Desarrollo de una red neuronal específica que imita la descomposición física del problema de alineación mediante tres cabezas convolucionales, optimizada para la reducción de ruido y la regresión de alta precisión.
3. Validación en Datos Reales: Entrenamiento y evaluación exhaustiva utilizando un conjunto de datos capturado por un ASV real en condiciones de amarre (mooring) bajo diversas condiciones marinas, demostrando la viabilidad fuera del laboratorio.

4. Resultados Experimentales

El método fue evaluado comparando el error absoluto (AE) del rumbo frente a los mejores métodos basados en modelos (I-DVA, A-DVA, I-OBA, A-OBA) en cuatro trayectorias de prueba reales.

• Mejora en Precisión: HeadingNet logró una mejora promedio del 53% en el error absoluto en comparación con los enfoques basados en modelos.
  • En el tiempo de alineación más corto (10 segundos), la mejora fue del 97% (Error de 4.33° vs >150° en los mejores baselines).
  • Incluso a 120 segundos, HeadingNet superó a los métodos tradicionales con una mejora del 51%.
• Reducción del Tiempo de Alineación: El sistema reduce el tiempo necesario para alcanzar una precisión dada hasta en un 67%.
  • HeadingNet alcanza un error menor a 5° en solo 10 segundos, un rendimiento que los métodos tradicionales no logran ni siquiera a los 30 segundos.
• Convergencia: La red muestra una convergencia rápida, superando a los métodos baselines en tiempos cortos donde estos últimos suelen fallar o tener errores catastróficos.

5. Significado e Impacto

Este trabajo representa un avance significativo en la navegación inercial autónoma:

• Eficiencia Operativa: Al reducir drásticamente el tiempo de alineación inicial, permite que las plataformas autónomas comiencen sus misiones (como búsqueda y rescate o monitoreo ambiental) mucho más rápido, minimizando el tiempo inactivo en el puerto o en la superficie.
• Robustez: La capacidad de aprender patrones de observabilidad complejos y no lineales directamente de los datos permite superar las limitaciones de los modelos físicos fijos en entornos ruidosos y de baja dinámica.
• Paradigma de Diseño: Establece un precedente para el uso de arquitecturas neuronales profundas (específicamente CNNs) para tareas de alineación de actitud, demostrando que los enfoques basados en datos pueden superar a los métodos analíticos clásicos en escenarios del mundo real, sin sacrificar la interpretabilidad física de las entradas.

En conclusión, HeadingNet ofrece una solución robusta, precisa y rápida para la alineación de rumbo en movimiento, resolviendo uno de los cuellos de botella más críticos en la navegación de vehículos autónomos marinos.