Neural-Assisted in-Motion Self-Heading Alignment

Titolo: Allineamento Autonomo dell'Assetto in Movimento Assistito da Reti Neurali

1. Problema e Contesto

L'allineamento iniziale dell'assetto (in particolare la stima dell'orientamento o "heading"/yaw) è un prerequisito fondamentale per il corretto funzionamento dei sistemi di navigazione inerziale a bordo (SINS) su piattaforme autonome marine (come AUV e ASV).

• Sfida principale: La stima dell'heading è particolarmente difficile in scenari con bassa dinamica, scarsa eccitazione del veicolo o in assenza di aiuti esterni (es. GPS).
• Limiti degli approcci classici: I metodi tradizionali basati su modelli (come la decomposizione vettoriale duale - DVA, e la decomposizione dell'assetto ottimizzata - OBA) richiedono tempi di allineamento lunghi per raggiungere una precisione accettabile. Le loro prestazioni sono strettamente legate alla qualità dell'eccitazione e al rumore dei sensori, e spesso soffrono di degradazione in condizioni operative reali (es. deriva lenta, rumore ambientale).
• Obiettivo: Sviluppare un metodo che permetta una stima iniziale rapida e accurata dell'heading, riducendo i tempi di allineamento e migliorando la precisione rispetto alle tecniche basate su modelli fisici.

2. Metodologia: HeadingNet

Gli autori propongono HeadingNet, un framework end-to-end, privo di modello (model-free) e assistito da reti neurali, progettato per l'allineamento dell'heading in movimento.

• Input: Il sistema utilizza gli stessi quattro input delle metodologie classiche, garantendo la comparabilità:

  1. Velocità angolare misurata ($\tilde{\omega}^b_{ib}$).
  2. Forza specifica misurata ($\tilde{f}^b$).
  3. Velocità di trasporto ($\omega^n_{in}$).
  4. Vettore gravità ($g_n$).
     Questi dati provengono da un IMU e da un ricevitore GNSS-RTK.

• Architettura della Rete Neurale:

  • Struttura Multi-Head: L'architettura è basata su tre "testine" (head) di reti neurali convoluzionali bidimensionali (2DCNN).
    • Head 1 e Head 2: Elaborano separatamente i dati misurati nei diversi sistemi di riferimento (corpo e navigazione) per l'estrazione di caratteristiche di basso livello.
    • Head 3: Processa le caratteristiche concatenate per l'estrazione di dipendenze nascoste e correlazioni più fini.
  • Livelli di Output: Dopo le CNN, i dati vengono appiattiti e passati a un blocco di strati completamente connessi (Fully Connected - FC) con attivazioni TanH e dropout per la regolarizzazione, che restituisce la stima finale dell'angolo di heading ($\hat{\psi}$).
  • Adattabilità: Poiché la dimensione temporale degli input varia in base al tempo di allineamento ($T_{Align}$), l'architettura di HeadingNet viene modificata dinamicamente (cambiando dimensioni dei kernel, aggiungendo layer di pooling o strati CNN aggiuntivi) per adattarsi a diverse durate di allineamento (da 10 a 120 secondi).

• Addestramento:

  • Funzione di Loss: Viene utilizzata una Cyclic Mean Square Error (CMSE) per gestire la natura ciclica degli angoli (evitando errori di calcolo tra 0° e 360°).
  • Ottimizzazione: Viene impiegato l'algoritmo AdamW con un scheduler del learning rate (StepLR) per migliorare la convergenza.

3. Contributi Chiave

1. Approccio Model-Free: Introduzione di un metodo end-to-end che apprende mappature implicite dai dati dei sensori all'heading, superando le assunzioni rigide dei modelli fisici classici.
2. Architettura Innovativa: Proposta di una rete neurale multi-head basata su 2DCNN, progettata specificamente per riflettere la decomposizione fisica del problema di allineamento, migliorando la capacità di ridurre il rumore e regressare l'angolo di heading.
3. Validazione su Dati Reali: Il metodo è stato addestrato e valutato su un dataset reale raccolto da un veicolo di superficie autonomo (ASV) in condizioni di ormeggio, coprendo diverse condizioni marine e giorni.

4. Risultati Sperimentali

Il sistema è stato testato su un dataset reale diviso in set di addestramento (35 minuti) e validazione (8 minuti su 4 traiettorie diverse), confrontandolo con i metodi basati su modelli (I-DVA, A-DVA, I-OBA, A-OBA).

• Miglioramento dell'Accuratezza:

  • HeadingNet ha mostrato un miglioramento medio del 53% nell'errore assoluto (AE) rispetto ai migliori approcci basati su modelli.
  • A 10 secondi di allineamento, HeadingNet ha raggiunto un errore inferiore a 5 gradi, superando di un 97% i metodi classici (che a 10 secondi fallivano o avevano errori enormi).
  • Anche al tempo di allineamento massimo di 120 secondi, HeadingNet ha mantenuto un vantaggio del 51% rispetto ai metodi classici.

• Riduzione del Tempo di Allineamento:

  • Il metodo proposto è in grado di ridurre il tempo di allineamento necessario fino al 67%.
  • Ad esempio, HeadingNet a 10 secondi ottiene una precisione superiore a quella dei metodi classici a 30 secondi; a 30 secondi supera i metodi classici a 60 secondi.

5. Significato e Impatto

Questo lavoro dimostra che l'integrazione di tecniche di Deep Learning nella navigazione inerziale può superare i limiti fondamentali degli approcci analitici tradizionali, specialmente in scenari dinamici o con scarsa eccitazione.

• Efficienza Operativa: La riduzione dei tempi di allineamento permette un dispiegamento più rapido delle piattaforme autonome, cruciale per missioni critiche come il soccorso e le operazioni di ricerca.
• Robustezza: L'approccio data-driven si dimostra più robusto al rumore e alle condizioni non stazionarie rispetto ai modelli fisici fissi.
• Futuro: HeadingNet offre un framework scalabile che può essere adattato a diverse durate di allineamento, rendendolo adatto a missioni estese dove l'allineamento "on-the-fly" è essenziale.

In sintesi, il paper presenta una soluzione pratica e validata sperimentalmente che trasforma il problema dell'allineamento dell'assetto da un processo lento e dipendente da modelli complessi a un processo rapido, accurato e guidato dai dati.