💻 computer science

Enhancing INS/GNSS Performance with Smart Learning Estimator

Cet article propose un « Smart Learning Estimator » (SLE), un filtre de Kalman augmenté par l'apprentissage profond combinant les architectures TGAN, LSTM et RWFNN, qui améliore considérablement la précision et la robustesse des systèmes de navigation INS/GNSS à faible coût lors d'interruptions prolongées du signal GNSS en surmontant les limites des filtres linéaires traditionnels.

Auteurs originaux : Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

Publié 2026-07-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Naviguer sans carte

Imaginez que vous conduisez une voiture dans un brouillard épais. Vous avez un GPS (comme une carte sur votre téléphone) qui vous indique exactement où vous êtes, mais le signal s'interrompt sans cesse à cause du brouillard ou des bâtiments hauts. Vous avez également un système de navigation à l'estime (comme un podomètre et une boussole) qui compte vos pas et suit vos virages.

Le problème : Si le signal GPS disparaît, votre compteur de pas est excellent pendant quelques secondes, mais il commence à commettre de petites erreurs. Comme il doit additionner chaque pas, ces petites erreurs s'accumulent rapidement. Après une minute, votre « compteur de pas » pourrait penser que vous êtes dans une ville différente de celle où vous vous trouvez réellement. C'est le problème des capteurs à bas coût (appelés MEMS) utilisés dans les drones et les petits robots.
L'objectif : Les auteurs ont voulu construire un « cerveau intelligent » capable de deviner où se trouve le drone même lorsque le signal GPS est complètement absent, en apprenant des mouvements passés du drone.

La solution : L'estimateur d'apprentissage intelligent (SLE)

Les chercheurs ont créé un nouveau système appelé Smart Learning Estimator (SLE). Considérez ce système comme un copilote hautement entraîné qui a mémorisé des milliers de schémas de vol. Au lieu de simplement réagir au moment présent, ce copilote examine l'historique du vol pour prédire l'avenir.

Le SLE est un moteur « hybride » composé de trois parties distinctes travaillant ensemble, comme une équipe de mécaniciens de course :

1. Le filtre flou par ondelettes (Le casque à réduction de bruit)

Ce qu'il fait : Les capteurs du monde réel sont désordonnés. Ils captent les vibrations des moteurs du drone, les rafales de vent et l'électricité statique. C'est comme essayer d'entendre une conversation dans un concert de rock très bruyant.
L'analogie : Cette partie agit comme des casques à réduction de bruit. Elle utilise des « ondelettes » (une méthode mathématique pour analyser les ondes sonores) pour séparer le signal utile (le mouvement réel du drone) du bruit parasite (les vibrations). Elle utilise également la « logique floue », qui est comme un humain disant : « Il ne fait pas exactement 50 degrés, il fait plutôt chaud », afin de mieux gérer l'incertitude que les mathématiques rigides.

2. L'LSTM (La mémoire à long terme)

Ce qu'il fait : Les programmes informatiques standards oublient souvent ce qui s'est passé il y a quelques secondes. Mais pour savoir où vous êtes maintenant, vous devez vous souvenir d'où vous étiez il y a une minute et comment vous y êtes arrivé.
L'analogie : C'est la mémoire à long terme du copilote. Alors qu'un ordinateur normal pourrait oublier un virage effectué il y a 10 secondes, ce réseau de « mémoire à long terme et à court terme » (LSTM) tient un journal de bord continu. Il se souvient de la séquence des événements : « Nous avons tourné à gauche, puis accéléré, puis plongé ». Cela l'aide à prédire où le drone devrait se trouver, même si le GPS est silencieux.

3. Le TGAN (Le simulateur créatif)

Ce qu'il fait : C'est la partie la plus avancée. Il s'agit d'un « Réseau Antagoniste Génératif » conçu pour les données de séries temporelles.
L'analogie : Imaginez un faussaire expert et un détective jouant à un jeu.
- Le Générateur essaie de créer un faux historique du vol qui semble si réel qu'il est indiscernable de la réalité.
- Le Discriminateur essaie de repérer les faux.
- Ils jouent ce jeu encore et encore jusqu'à ce que le Générateur devienne si doué pour créer des trajectoires de vol réalistes que le Discriminateur ne puisse plus faire la différence.
- Pourquoi c'est important : Lorsque le signal GPS est perdu, ce système ne se contente pas de deviner ; il génère un chemin hautement probable et réaliste basé sur ce que le drone fait habituellement dans cette situation. Il comble les données manquantes de la carte avec une « meilleure supposition » qui est mathématiquement très proche de la réalité.

Comment ils l'ont testé

Les chercheurs n'ont pas seulement fait tourner cela sur un ordinateur ; ils ont fait voler un vrai drone (UAV) équipé de ces capteurs à bas coût.

La configuration : Ils ont fait voler le drone pendant environ 23 minutes (1 400 secondes).
L'astuce : Ils ont intentionnellement coupé le signal GPS pendant différentes périodes (comme 480 secondes, 580 secondes et 800 secondes) pour voir avec quelle efficacité le système pouvait naviguer sans lui.
La compétition : Ils ont comparé leur nouvel « Estimateur d'apprentissage intelligent » à des méthodes plus anciennes, comme les filtres de Kalman standards (l'approche mathématique traditionnelle) et d'autres modèles d'IA.

Les résultats

L'article affirme que le Smart Learning Estimator (SLE) a été le grand vainqueur.

Précision : Lorsque le GPS était coupé, le SLE maintenait la position et la vitesse du drone beaucoup plus précisément que les autres méthodes.
Les chiffres : Dans un test, la méthode standard (Filtre de Kalman) présentait une erreur énorme (102 mètres d'erreur), tandis que le SLE n'était en erreur que d'environ 4,8 mètres. C'est une amélioration massive (environ 40 à 50 % de mieux).
Manœuvres complexes : Le système a excellé lorsque le drone effectuait des mouvements délicats (tourner, accélérer, ralentir). Le « cerveau intelligent » pouvait prédire ces mouvements complexes mieux que les mathématiques rigides des anciens systèmes.

Le compromis

L'article admet qu'il y a un coût. Ce « cerveau intelligent » est lourd. Il nécessite plus de puissance informatique pour fonctionner que les mathématiques simples utilisées dans les anciens systèmes.

Le verdict : Les auteurs soutiennent que pour des tâches à enjeux élevés — comme les drones d'agriculture de précision (pulvérisation de cultures), les drones de livraison en ville ou le guidage militaire — la puissance informatique supplémentaire vaut la peine pour garantir que le drone ne se perde pas.

Résumé

En bref, les auteurs ont construit un système de navigation qui combine réduction de bruit, mémoire à long terme et simulation créative pour aider les drones à bas coût à trouver leur chemin lorsque le signal GPS disparaît. C'est comme donner à un drone un copilote qui a tellement mémorisé les règles du vol qu'il peut naviguer à travers une tempête même si la carte a disparu.

Résumé Technique : Amélioration des performances INS/GNSS grâce à l'Estimateur d'Apprentissage Intelligent (Smart Learning Estimator)

Énoncé du Problème
L'intégration des systèmes de navigation par satellite (GNSS) avec les systèmes de navigation inertielle (INS) est une stratégie standard pour atténuer la dérive inhérente des estimations de position, de vitesse et d'orientation. Cependant, cette dépendance devient critique lors de l'utilisation de capteurs à systèmes micro-électromécaniques (MEMS) à faible coût, où les biais non compensés et le bruit stochastique provoquent une accumulation exponentielle d'erreurs. Bien que le GNSS fournisse un positionnement absolu, il est sensible aux obstructions de signaux, aux blocages et aux faibles taux de rafraîchissement (typiquement jusqu'à 5 Hz). Lors des interruptions de signal GNSS, les méthodes d'intégration traditionnelles — principalement les filtres de Kalman (KF) et leurs variantes (EKF, UKF) — peinent à maintenir la précision. Ces filtres conventionnels reposent souvent sur une dynamique linéarisée et des hypothèses de bruit gaussien, qui ne parviennent pas à capturer les dynamiques non linéaires complexes et les dépendances temporelles à long terme inhérentes aux erreurs des capteurs MEMS lors d'interruptions de signal prolongées. De plus, les réseaux de neurones récurrents (RNN) standards souffrent de problèmes de disparition ou d'explosion de gradient, limitant leur capacité à modéliser des données séquentielles à longue portée.

Méthodologie : L'Estimateur d'Apprentissage Intelligent (SLE)
Pour remédier à ces limitations, les auteurs proposent un « Smart Learning Estimator » (SLE), un paradigme de filtrage de Kalman augmenté par l'apprentissage profond. Le cœur du SLE est une architecture hybride à quatorze couches désignée sous le nom de TGAN-LSTM-RFW-KF. Cette architecture intègre trois composants principaux pour modéliser les dynamiques non linéaires et les dépendances temporelles à long terme :

Réseau Antagoniste Génératif Temporel (TGAN) : Ce module est conçu pour apprendre la distribution sous-jacente des données INS/GNSS et reconstruire les caractéristiques latentes. Il utilise un générateur, un discriminateur, un réseau d'incorporation (embedding) et un réseau de récupération pour capturer les distributions de probabilité complexes et multimodales des erreurs de capteurs. Il emploie trois fonctions de perte (supervisée, de reconstruction et non supervisée) pour garantir que le modèle apprenne à la fois la dynamique temporelle et la représentation structurelle des données.
Mémoire à Long et Court Terme (LSTM) : Intégré pour surmonter les limitations des RNN standards, les couches LSTM utilisent des mécanismes de porte (portes d'entrée, d'oubli et de sortie) pour conserver sélectivement les informations saillantes sur des séquences étendues. Cela permet au système de capturer les dépendances temporelles à longue portée dans l'historique du mouvement du véhicule.
Réseau de Neurones à Ondelettes Floues Récurrentes (RFWNN) : Ce composant combine des systèmes de logique floue avec des réseaux de neurones à ondelettes. Le mécanisme d'inférence floue gère les dynamiques non linéaires complexes, tandis que la décomposition en ondelettes (utilisant des fonctions de base de type chapeau mexicain) permet une estimation précise des variations localisées et de la suppression du bruit. Le RFWNN agit comme un préprocesseur intelligent, débruitant le signal et gérant l'incertitude avant qu'il n'atteigne les couches d'apprentissage profond.

Flux de Travail Opérationnel
Le système fonctionne selon deux modes distincts :

Mode d'Entraînement (GNSS Disponible) : Lorsque les signaux GNSS sont robustes, le système utilise un filtre de Kalman pour fusionner les données INS et GNSS. Les états d'erreur résultants (différences entre l'INS et le GNSS) servent de cibles de vérité terrain. Le réseau TGAN-LSTM-RFW est entraîné sur des lots de données, utilisant la vitesse, la position et la force spécifique dérivées de l'INS comme entrées pour prédire les erreurs correspondantes. Le modèle met à jour ses poids synaptiques pour encapsuler la connaissance de la navigation.
Mode de Prédiction (Coupure GNSS) : Lors des interruptions de signal, le système bascule vers la prévision. Le modèle TGAN-LSTM-RFW convergé prend en entrée les données INS actuelles et historiques pour synthétiser des géocoordonnées simulées et des erreurs de vitesse. Ces erreurs prédites sont ensuite réinjectées dans le filtre de Kalman pour corriger la solution de navigation, comblant ainsi efficacement l'écart jusqu'au rétablissement du signal GNSS.

Contributions Clés

Architecture Hybride : L'article introduit une nouvelle architecture à 14 couches qui combine de manière synergique le TGAN, le LSTM et le RFWNN au sein d'un cadre de filtrage de Kalman. Cela répond aux contraintes spécifiques des KF standards (linéarité et hypothèses gaussiennes) sous un bruit élevé et de faibles fréquences de mise à jour.
Modélisation des Dépendances à Longue Portée : En utilisant le LSTM et le TGAN, la méthode atténue efficacement l'incapacité des filtres traditionnels et des RNN simples à modéliser les dépendances séquentielles à long terme de la dérive de l'INS.
Robustesse au Bruit : L'inclusion de la composante Ondelette permet de décomposer les signaux en bandes de fréquences, séparant le bruit de capteur à haute fréquence (thermique, vibratoire) des données de mouvement utiles, améliorant ainsi les performances dans des conditions turbulentes.
Validation en Conditions Réelles : La méthodologie est validée à l'aide de données de vol réelles provenant d'un véhicule aérien sans pilote (UAV) équipé d'un IMU MEMS et d'un récepteur GNSS Garmin, plutôt que de s'appuyer uniquement sur des données synthétiques.

Résultats Expérimentaux
Le SLE a été évalué par rapport à plusieurs algorithmes de référence, incluant le KF standard, les réseaux de neurones à retard temporel à propagation avant (FTDNN), le NARX, le RFWNN, ainsi que des modèles GRU et LSTM-RFW-KF autonomes. L'évaluation a utilisé des métriques d'erreur quadratique moyenne (RMSE) pour les erreurs de position (latitude/longitude) et de vitesse (Nord/Est) lors d'interruptions artificielles de GNSS de durées variables (commençant à 480s, 580s et 800s).

Performance : Le SLE a systématiquement obtenu les valeurs RMSE les plus basses dans tous les scénarios de test. Par exemple, lors d'une coupure de 480 secondes, le SLE a réduit l'erreur RMSE de vitesse à $1,07 \times 10^1$ , surpassant de manière significative le KF standard ( $1,77 \times 10^2$ ) et les autres variantes de réseaux neuronaux.
Sensibilité aux Manœuvres : La supériorité du SLE était particulièrement évidente lors de manœuvres complexes, dynamiques et rotatives, où les filtres traditionnels et les réseaux de neurones plus simples présentaient une accumulation d'erreurs plus élevée.
Gain de Précision : Les auteurs rapportent une amélioration de la précision d'environ 40 à 50 % lors d'interruptions GNSS prolongées par rapport aux méthodes de base.

Signification et Revendications
L'article affirme que le Smart Learning Estimator réussit à déplacer le paradigme d'estimation de la « réaction instantanée » vers une « prédiction basée sur le contexte de mouvement récent ». En exploitant l'apprentissage profond pour modéliser les dynamiques de données latentes et les dépendances à long terme, le SLE permet une reconstruction précise de la trajectoire et une précision soutenue lors d'interruptions prolongées du signal GNSS. Les auteurs soutiennent que, bien que le modèle impose une charge de calcul plus élevée, le matériel informatique de bord moderne (tel que le processeur Texas Instruments AM69A) rend l'implémentation en temps réel viable. Ce travail positionne cette approche comme une solution robuste pour les applications exigeant une haute sécurité et une grande fiabilité, citant spécifiquement l'agriculture de précision pour les UAV, la navigation autonome et la livraison urbaine de colis, où le maintien de la fidélité de la navigation dans des environnements privés de GNSS est critique.