Neural-Assisted in-Motion Self-Heading Alignment

1. Problématique

L'estimation précise de l'alignement initial de l'attitude (en particulier l'orientation de la tête ou heading / lacet) est une condition préalable fondamentale pour le bon fonctionnement des systèmes de navigation inertielle à base de strapdown (SINS).

• Défi principal : L'alignement de la tête est la composante la plus difficile à estimer, surtout dans des environnements marins où le véhicule subit peu d'excitation dynamique (dérive lente, conditions quasi-statiques) et où l'assistance externe (comme le GNSS) est limitée ou absente.
• Limites des méthodes actuelles : Les approches classiques basées sur des modèles (décomposition de vecteurs, optimisation comme ADIA, DVA, OBA) reposent sur des formulations analytiques. Bien que théoriquement solides, elles nécessitent des temps d'alignement longs pour atteindre une précision acceptable, car leur performance dépend fortement de la qualité de l'excitation et du bruit des capteurs. Dans des conditions réalistes (bruit, perturbations environnementales), ces méthodes peuvent souffrir d'une dégradation significative de la précision.

2. Méthodologie

Les auteurs proposent une approche neuro-assistée, sans modèle (model-free) et de bout en bout (end-to-end) nommée HeadingNet. Cette méthode vise à estimer l'angle de cap directement à partir des données des capteurs inertiels, sans résoudre explicitement les équations d'attitude analytiques.

Architecture du Réseau de Neurones (HeadingNet)

• Entrées : Le réseau utilise les mêmes quatre entrées que les méthodes basées sur des modèles :
  1. Vitesse angulaire mesurée ($\tilde{\omega}_{ib}^b$).
  2. Force spécifique mesurée ($\tilde{f}^b$).
  3. Vitesse de transport ($\omega_{in}^n$).
  4. Vecteur gravité ($g^n$).
• Structure : L'architecture repose sur des Convolutionnelles 2D (2DCNN) organisées en une structure à têtes multiples (multi-head) :
  • Têtes 1 et 2 : Deux branches parallèles traitant séparément les données des cadres de référence différents (corps vs navigation). Chaque tête contient trois couches 2DCNN suivies de couches de pooling max et d'activation LeakyReLU.
  • Tête 3 : Les sorties des deux premières têtes sont concaténées et traitées par une troisième tête 2DCNN pour extraire des dépendances et corrélations plus fines.
  • Bloc de Régression : La sortie est aplatie (flattened) et passée à travers un bloc de couches entièrement connectées (FC) avec des activations Tanh et du Dropout pour la régularisation, aboutissant à l'estimation finale du cap ($\hat{\psi}$).
• Adaptabilité : L'architecture s'adapte à différentes durées d'alignement ($T_{Align}$) en modifiant la taille des noyaux de convolution, en ajoutant des couches de pooling ou des couches 2DCNN supplémentaires selon la durée (10, 30, 60, 90, 120 secondes).
• Fonction de Perte : Pour gérer la nature cyclique de l'angle, les auteurs utilisent une erreur quadratique moyenne cyclique (CMSE) combinée à l'algorithme d'optimisation AdamW et un planificateur de taux d'apprentissage (StepLR).

3. Contributions Clés

1. Approche Neuro-Assistée Sans Modèle : Proposition d'une méthode d'alignement de cap en mouvement qui apprend une cartographie implicite des données des capteurs vers l'estimation du cap, évitant les hypothèses rigides des modèles analytiques.
2. Architecture Novelle Multi-Têtes 2DCNN : Conception d'un réseau de neurones spécifique utilisant trois têtes 2DCNN pour traiter la décomposition physique du problème d'alignement, permettant une extraction efficace des caractéristiques temporelles et spatiales.
3. Validation sur Données Réelles : Utilisation d'un jeu de données mondialement capturé par un Véhicule de Surface Autonome (ASV) dans des conditions de mouillage réelles, couvrant divers scénarios de bruit et de dynamique.

4. Résultats Expérimentaux

L'évaluation a été réalisée sur un jeu de données réel (ASV amarré) comparant HeadingNet aux meilleures méthodes de référence (DVA, OBA, I-DVA, A-DVA, I-OBA, A-OBA).

• Précision : HeadingNet a démontré une amélioration de précision significative par rapport aux approches basées sur des modèles.
  • Amélioration moyenne : 53 % de réduction de l'erreur absolue moyenne (AE) sur l'ensemble des durées d'alignement testées.
  • Cas extrême (10 secondes) : Pour un alignement très court de 10 secondes, HeadingNet atteint une erreur inférieure à 5 degrés, surpassant les méthodes classiques de 97 % (qui échouent souvent à cette durée).
• Temps d'Alignement : La méthode permet de réduire considérablement le temps nécessaire pour atteindre une précision donnée.
  • Réduction du temps : Jusqu'à 67 % de réduction du temps d'alignement par rapport aux méthodes classiques pour atteindre un niveau de précision équivalent.
  • Convergence rapide : HeadingNet atteint à 10 secondes une précision supérieure à celle des méthodes classiques à 30 secondes.
• Performance à long terme : Même à l'alignement le plus long (120 secondes), HeadingNet reste supérieur aux meilleures méthodes de référence (amélioration de 51 %).

5. Signification et Impact

Ce travail marque une avancée significative dans la navigation inertielle autonome, en particulier pour les véhicules marins et sous-marins (AUV/ASV) :

• Efficacité Opérationnelle : En réduisant le temps d'alignement initial, les plateformes autonomes peuvent commencer leurs missions plus rapidement, ce qui est crucial pour les opérations de recherche et de sauvetage ou les missions à durée limitée.
• Robustesse : La capacité à apprendre des corrélations temporelles complexes et des motifs de résidus d'observabilité que les modèles fixes ne peuvent pas capturer rend le système plus robuste face au bruit et aux perturbations environnementales.
• Paradigme de Navigation : L'article valide l'efficacité des approches data-driven (basées sur les données) pour remplacer ou compléter les méthodes analytiques traditionnelles dans des scénarios où l'excitation dynamique est faible, ouvrant la voie à des systèmes de navigation plus autonomes et performants.