Enhancing INS/GNSS Performance with Smart Learning Estimator

Resumen Técnico: Mejora del Rendimiento de INS/GNSS con el Estimador de Aprendizaje Inteligente

Planteamiento del Problema
La integración de Sistemas de Navegación por Satélite Global (GNSS) con Sistemas de Navegación Inercial (INS) es una estrategia estándar para mitigar la deriva inherente en las estimaciones de posición, velocidad y orientación. Sin embargo, esta dependencia se vuelve crítica cuando se utilizan sensores de sistemas microelectromecánicos (MEMS) de bajo costo, donde los sesgos no compensados y el ruido estocástico causan que los errores se acumulen exponencialmente. Si bien el GNSS proporciona posicionamiento absoluto, es susceptible a obstrucciones de señal, bloqueos y bajas tasas de refresco (típicamente hasta 5 Hz). Durante las interrupciones de GNSS, los métodos de integración tradicionales —principalmente Filtros de Kalman (KF) y sus variantes (EKF, UKF)— tienen dificultades para mantener la precisión. Estos filtros convencionales a menudo dependen de dinámicas linealizadas y suposiciones de ruido gaussiano, las cuales no logran capturar las complejas dinámicas no lineales y las dependencias temporales a largo plazo inherentes a los errores de los sensores MEMS durante interrupciones de señal prolongadas. Además, las Redes Neuronales Recurrentes (RNN) estándar sufren de gradientes que se desvanecen o explotan, lo que limita su capacidad para modelar datos secuenciales de largo alcance.

Metodología: El Estimador de Aprendizaje Inteligente (SLE)
Para abordar estas limitaciones, los autores proponen un "Estimador de Aprendizaje Inteligente" (SLE), un paradigma de filtrado de Kalman aumentado con aprendizaje profundo. El núcleo del SLE es una arquitectura híbrida de catorce capas denominada TGAN-LSTM-RFW-KF. Esta arquitectura integra tres componentes primarios para modelar dinámicas no lineales y dependencias de largo alcance:

1. Red Generativa Antagónica de Series Temporales (TGAN): Este módulo está diseñado para aprender la distribución subyacente de los datos INS/GNSS y reconstruir características latentes. Utiliza un generador, un discriminador, un embebido y una red de recuperación para capturar distribuciones de probabilidad complejas y multimodales de los errores de los sensores. Emplea tres funciones de pérdida (supervisada, de reconstrucción y no supervisada) para asegurar que el modelo aprenda tanto la dinámica temporal como la representación estructural de los datos.
2. Memoria de Largo Corto Plazo (LSTM): Integrada para superar las limitaciones de las RNN estándar, las capas LSTM utilizan mecanismos de compuerta (compuertas de entrada, olvido y salida) para retener selectivamente información relevante a lo largo de secuencias extendidas. Esto permite al sistema capturar dependencias temporales de largo alcance en la historia de movimiento del vehículo.
3. Red Neuronal de Ondícula Difusa Recurrente (RFWNN): Este componente combina sistemas de lógica difusa con redes neuronales de ondículas (wavelets). El mecanismo de inferencia difusa gestiona dinámicas no lineales intrincadas, mientras que la descomposición de ondículas (utilizando funciones de base de sombrero mexicano) proporciona una estimación precisa de las variaciones localizadas y la supresión de ruido. La RFWNN actúa como un preprocesador inteligente, eliminando el ruido de la señal y manejando la incertidencia antes de que llegue a las capas de aprendizaje profundo.

Flujo de Trabajo Operativo
El sistema opera en dos modos distintos:

• Modo de Entrenamiento (GNSS Disponible): Cuando las señales de GNSS son robustas, el sistema utiliza un Filtro de Kalman para fusionar los datos INS y GNSS. Los estados de error resultantes (diferencias entre INS y GNSS) sirven como objetivos de verdad absoluta (ground truth). La red TGAN-LSTM-RFW se entrena con datos por lotes, utilizando la velocidad, la posición y la fuerza específica derivadas del INS como entradas para predecir los errores correspondientes. El modelo actualiza sus pesos sinápticos para encapsular el conocimiento de navegación.
• Modo de Predicción (Interrupción de GNSS): Durante las interrupciones de señal, el sistema cambia a la fase de pronóstico. El modelo convergente TGAN-LSTM-RFW toma datos INS actuales e históricos como entrada para sintetizar errores de velocidad y geocoordenadas simulados. Estos errores predichos se retroalimentan al Filtro de Kalman para corregir la solución de navegación, cerrando efectivamente la brecha hasta que se restaure la señal de GNSS.

Contribuciones Clave

• Arquitectura Híbrida: El artículo introduce una novedosa arquitectura de 14 capas que combina sinérgicamente TGAN, LSTM y RFWNN dentro de un marco de filtrado de Kalman. Esto aborda las restricciones específicas de los KF estándar (linealidad y suposiciones gaussianas) bajo condiciones de alto ruido y bajas frecuencias de actualización.
• Modelado de Dependencias de Largo Alcance: Al utilizar LSTM y TGAN, el método mitiga eficazmente la incapacidad de los filtros tradicionales y las RNN simples para modelar las dependencias secuenciales de largo plazo en la deriva del INS.
• Robustez al Ruido: La inclusión del componente de Ondícula (Wavelet) permite la descomposición de las señales en bandas de frecuencia, separando el ruido del sensor de alta frecuencia (térmico, vibracional) de los datos de movimiento útiles, mejorando así el rendimiento en condiciones turbulentas.
• Validación en el Mundo Real: La metodología se valida utilizando datos de vuelo reales de un Vehículo Aéreo No Tripulado (UAV) equipado con un IMU MEMS y un receptor GNSS Garmin, en lugar de depender únicamente de datos sintéticos.

Resultados Experimentales
El SLE fue evaluado frente a varios algoritmos de referencia, incluyendo KF estándar, Redes Neuronales de Retraso Temporal de Alimentación hacia Adelante (FTDNN), NARX, RFWNN, GRU y modelos de referencia LSTM-RFW-KF. La evaluación utilizó métricas de Error Cuadrático Medio (RMSE) para los errores de posición (latitud/longitud) y velocidad (Norte/Este) durante interrupciones artificiales de GNSS de diversas duraciones (comenzando en 480s, 580s y 800s).

• Rendimiento: El SLE alcanzó consistentemente los valores de RMSE más bajos en todos los escenarios de prueba. Por ejemplo, en una interrupción de 480 segundos, el SLE redujo el RMSE del error de velocidad a $1.07 \times 10^1$, superando significativamente al KF estándar ($1.77 \times 10^2$) y a otras variantes de redes neuronales.
• Sensibilidad a Maniobras: La superioridad del SLE fue particularmente evidente durante maniobras complejas, dinámicas y rotacionales, donde los filtros tradicionales y las redes neuronales más simples mostraron una mayor acumulación de errores.
• Ganancia de Precisión: Los autores reportan una mejora de aproximadamente el 40–50% en la precisión durante interrupciones extendidas de GNSS en comparación con los métodos de base.

Significancia y Reivindicaciones
El artículo sostiene que el Estimador de Aprendizaje Inteligente logra cambiar el paradigma de estimación de una "reacción instantánea" a una "predicción basada en el contexto de movimiento reciente". Al aprovechar el aprendizaje profundo para modelar las dinámicas latentes de los datos y las dependencias de largo alcance, el SLE permite la reconstrucción precisa de la trayectoria y una precisión sostenida durante interrupciones prolongadas de la señal GNSS. Los autores afirman que, si bien el modelo incurre en una mayor carga computacional, el hardware de computación en el borde moderno (como el procesador Texas Instruments AM69A) hace viable su implementación en tiempo real. Este trabajo posiciona este enfoque como una solución robusta para aplicaciones que requieren alta seguridad y confiabilidad, citando específicamente la agricultura de precisión mediante UAV, la navegación autónoma y la entrega de paquetes en entornos urbanos, donde mantener la fidelidad de la navegación en entornos con denegación de GNSS es crítico.