Airborne Magnetic Anomaly Navigation with Neural-Network-Augmented Online Calibration

Deze paper introduceert een volledig adaptief MagNav-systeem dat met behulp van een uitgebreide Kalman-filter en een beperkt neurale netwerk de magnetische interferentie van een vliegtuig tijdens de vlucht in real-time kalibreert, waardoor nauwkeurige navigatie mogelijk wordt zonder voorafgaande kalibratievluchten.

De kern

Navigeren zonder GPS: Een slimme magneetkompas-methode

Stel je voor dat je met een vliegtuig door een dikke, ondoordringbare mist vliegt. Je hebt geen GPS-signalen meer (misschien omdat ze geblokkeerd zijn of gestoord worden), en je kunt ook niet naar buiten kijken. Je hebt alleen een kompas en een kaart van de aarde. Maar er is een groot probleem: je eigen vliegtuig is gemaakt van staal en heeft zware motoren. Het werkt als een gigantische magneet die je eigen kompas volledig verdraait. Normaal gesproken zou je dan vastlopen.

Dit is precies het probleem dat deze wetenschappers van Airbus en de Noorse Universiteit oplossen. Ze hebben een nieuwe manier bedacht om te navigeren met alleen het aardmagnetische veld, zelfs als je vliegtuig zelf de kompasnaald in de war steekt.

Hier is hoe het werkt, vertaald in alledaagse termen:

1. Het Probleem: De "Luie" Kalibratie

Vroeger, als je een vliegtuig wilde laten vliegen met dit soort magneet-navigatie, moest je eerst een speciale "testvlucht" maken. Je vloog in cirkels en figuren om te meten hoe het vliegtuig precies op zijn eigen magnetisme reageerde. Pas daarna was het systeem klaar voor gebruik.

• De analogie: Dit is alsof je een nieuwe auto koopt en eerst een week lang in een testbaan moet rijden om te leren hoe hij remt, voordat je hem op de openbare weg mag gebruiken. Dat is onpraktisch en duur.

2. De Oplossing: De "Koude Start" (Cold Start)

Deze nieuwe methode kan direct beginnen, zelfs als het systeem nog niets weet van het vliegtuig. Ze noemen dit een "Cold Start".

• De analogie: Stel je voor dat je in een onbekende stad aankomt zonder kaart. In plaats van een week te wachten tot iemand je de weg wijst, leer je de stad direct terwijl je loopt. Je maakt fouten, maar je leert er direct van. Dit systeem doet precies dat: het leert de magnetische "vingerafdruk" van het vliegtuig terwijl het vliegt.

3. De Twee Hersenen: Fysica en AI

Het systeem gebruikt twee slimme methoden tegelijk, die samenwerken als een goed team:

• De Fysica (De "Verstandige Oude Man"):
  Dit is een oud, betrouwbaar wiskundig model (het Tolles-Lawson-model). Het begrijpt de basisregels: "Als het vliegtuig draait, verandert het magnetisme op deze manier." Het is goed in het oplossen van de grote, duidelijke storingen.

  • Analogie: Dit is als een ervaren piloot die weet dat als je een bocht maakt, je kompas even uitwijkt. Hij kan dat goed voorspellen.

• De Neural Network (De "Snelle Leerling"):
  Dit is een klein stukje kunstmatige intelligentie (AI). Het kijkt naar wat de "Oude Man" niet kan verklaren. Soms zijn er rare, onvoorspelbare storingen (bijvoorbeeld door een elektrisch apparaat dat net aanstaat of trillingen). De AI leert deze rare patronen direct.

  • Analogie: De "Oude Man" zegt: "Weet ik veel, dat is een rare trilling." De "Snelle Leerling" zegt: "Ah, elke keer als die motor start, schiet het kompas naar links. Ik heb dat net geleerd!"

4. De Magische Smaak: Het "Kalman-filter"

Hoe leren deze twee tegelijk? Ze gebruiken een wiskundig trucje dat een Kalman-filter heet.

• De analogie: Stel je voor dat je een blindeman bent die een kompas vasthoudt. Iedere seconde krijgt hij een nieuwe meting.
  1. Hij maakt een schatting waar hij is.
  2. Hij kijkt naar de kompasnaald.
  3. Als de naald niet klopt met zijn schatting, vraagt hij zich af: "Is mijn kompas kapot, of zit ik op de verkeerde plek?"
  4. In dit systeem is het kompas (het vliegtuig) echt een beetje kapot (verstoord). Het filter past dus niet alleen de positie aan, maar leert ook direct hoe het kompas kapot is. Het corrigeert zijn eigen fouten terwijl hij vliegt.

5. Waarom is dit zo speciaal?

• Geen vooropleiding: Je hoeft geen speciale testvluchten te maken. Je kunt het systeem opstarten, en het leert zichzelf tijdens de vlucht.
• Robuust: Als de AI te wild begint te gissen, grijpt de "Oude Man" (de fysica) in om te zorgen dat het systeem niet uit elkaar valt. Ze houden elkaar in toom.
• Snel: Het leert zo snel dat het binnen een paar minuten (of kilometers) al heel goed werkt, zelfs met een heel ruisig kompas.

Conclusie

Dit onderzoek toont aan dat vliegtuigen in de toekomst veilig kunnen vliegen zonder GPS, zelfs als ze door een "magnetische storm" of vijandige storingen gaan. Het systeem is als een zelflerende navigator die tijdens de reis zijn eigen kompas repareert en perfect leert kennen, zonder dat er ooit een testvlucht nodig was. Het maakt navigatie veiliger, onafhankelijker en klaar voor de toekomst.

Technische samenvatting

Titel: Airborne Magnetic Anomaly Navigation met Neuraal Netwerk-Verrijkte Online Kalibratie

Auteurs: Antonia Hager, Sven Nebendahl, Alexej Klushyn, Jasper Krauser (Airbus) en Torleiv H. Bryne, Tor Arne Johansen (NTNU).

---

1. Het Probleem

Airborne Magnetic Anomaly Navigation (MagNav) biedt een robuust, jamming-resistent alternatief voor satellietnavigatie (GNSS) door gebruik te maken van de unieke geografische "vingerafdruk" van het aardmagnetische veld. Echter, voor een nauwkeurige positiebepaling moet het magnetische veld dat door de magnetometer wordt gemeten, worden ontdaan van de sterke interferentie die door het vliegtuig zelf wordt gegenereerd.

De uitdagingen zijn als volgt:

• Signaalsterkte: Het gewenste navigatiesignaal (kustmagnetische anomalieën) is vaak 10 tot 100 keer zwakker dan de interferentiebronnen (aardkern, ionosfeer en het vliegtuig zelf).
• Beperkingen van bestaande methoden: De huidige standaard, het Tolles-Lawson (TL) model, is een lineair, fysiek gebaseerd model dat vaak offline wordt gekalibreerd via uitgebreide testvluchten. Dit model kan geen niet-lineaire dynamische interferentie (bijv. door elektrische systemen of bewegende onderdelen) volledig compenseren.
• Machine Learning (ML) obstakels: Bestaande ML-oplossingen vereisen vaak grote datasets voor training en pre-trainingsvluchten per vliegtuigtype, wat operationeel onhaalbaar is. Bovendien zijn complexe ML-modellen vaak te zwaar voor embedded hardware en missen ze de certificeerbaarheid die nodig is in de luchtvaart.
• Adaptiviteit: Het magnetische veld van een vliegtuig verandert continu door temperatuur, trillingen en systeemoperaties. Statische kalibraties zijn daarom ontoereikend voor langdurige operaties.

2. Methodologie

De auteurs stellen een volledig adaptieve architectuur voor die MagNav en online kalibratie combineert binnen één Extended Kalman Filter (EKF).

Kerncomponenten:

1. Hybride Kalibratiemodel:
   • Tolles-Lawson (TL) Model: Fungeert als de "verklarende" fysieke basislijn voor de dominante, lineaire interferentie (permanente en geïnduceerde magnetisatie).
   • Neuraal Netwerk (NN): Fungeert als een residulair leermodel. Het leert alleen de niet-lineaire interferenties die door het TL-model niet worden opgevangen. Dit beperkt het NN tot een correctieve rol, wat de stabiliteit en interpreteerbaarheid van het systeem vergroot.
2. Augmentatie van de State Vector:
   • De state vector van het EKF wordt uitgebreid met de parameters van het TL-model én de gewichten/bias van het Neuraal Netwerk.
   • Hierdoor worden navigatiestaten (positie, snelheid, houding) en kalibratieparameters gelijktijdig geschat en bijgewerkt tijdens de vlucht.
3. Online Natural Gradient Descent:
   • De auteurs tonen wiskundig aan dat de update-stap van het EKF equivalent is aan een Online Natural Gradient (NG) descent.
   • In plaats van traditionele backpropagation (eerste-orde optimalisatie), gebruikt het filter de covariantiematrix van het EKF als een preconditieer (inverse van de Fisher Information Matrix). Dit resulteert in een tweede-orde optimalisatie die veel sneller convergeert en robuuster is tegen initialisatieproblemen.
4. Cold-Start Capability:
   • Het systeem kan "koud starten" (zonder enige voorafgaande kennis of kalibratievlucht). De covariantiematrix fungeert als een prior die het systeem toelaat om agressief te leren aan het begin en vervolgens te stabiliseren naar een constante leersnelheid.

3. Belangrijkste Bijdragen

• Volledig Adaptieve Architectuur: Een systeem dat in staat is om de magnetische signatuur van een vliegtuig volledig in-flight te identificeren en te compenseren, zonder gedwongen kalibratievluchten of pre-training.
• Wiskundige Equivalentie: Het aantonen dat EKF-training van een NN gelijkstaat aan Natural Gradient descent, waardoor de voordelen van tweede-orde optimalisatie (snelle convergentie, geometrie-bewustzijn) direct in de navigatiefilter worden geïntegreerd.
• Modulaire en Interpreteerbare Ontwerp: Door het NN te beperken tot het modelleren van residuen, blijft het systeem gebaseerd op fysieke principes (TL-model), wat cruciaal is voor certificering en operationele veiligheid.
• Efficiëntie: Het gebruik van een ondiep (shallow) neuraal netwerk en een magnetometer-only feature set maakt de implementatie haalbaar op standaard embedded hardware.

4. Resultaten

De methode is gevalideerd met het MagNav Challenge dataset (vluchtlijn 1007.06 en 1003).

• Prestaties: Het hybride model (TL + NN) bereikte een navigatie-nauwkeurigheid (DRMS) die vergelijkbaar is met state-of-the-art modellen die uitgebreide offline pre-training vereisen.
  • Voorbeeld (Koud Start): Voor de zeer ruisige magnetometer 2 (gemiddelde interferentie ~1250 nT) bereikte het systeem een DRMS van 51 meter, vergeleken met 107 meter voor een TL-only model.
  • Voor de minder ruisige magnetometers (3, 4, 5) werden DRMS-waarden van 14-42 meter behaald.
• Convergentie: Het systeem convergeert binnen de eerste 50-80 km van de vlucht. Tijdens deze periode leert het NN de niet-lineariteiten en stabiliseert de kalibratie.
• Robuustheid: Het systeem presteerde goed met verschillende magnetometers, inclusief die met bekende defecten of hoge ruis, zonder dat specifieke aanpassingen nodig waren.
• Vergelijking: Het overtreft TL-only online kalibratie aanzienlijk (factoren van 10-90% verbetering in nauwkeurigheid) en komt in de buurt van prestaties van modellen die 12 uur aan trainingsdata en kalibratievluchten nodig hadden.

5. Betekenis en Toekomstperspectief

Dit werk is van groot belang voor de operationele inzetbaarheid van MagNav in de civiele luchtvaart:

• Operationaliteit: Het elimineert de logistieke barrière van gedwongen kalibratievluchten voor elk nieuw vliegtuig, wat de kosten verlaagt en de inzetbaarheid vergroot.
• Certificeerbaarheid: Door de combinatie van een fysiek model (TL) met een beperkt, residulair NN, wordt het "black box"-probleem van AI in de luchtvaart verzacht. Het systeem blijft grotendeels interpreteerbaar.
• Toekomstige ontwikkelingen: De auteurs wijzen op de noodzaak van verdere onderzoek naar convergentiebewijzen voor certificering, het gebruik van federated learning voor schaalbaarheid, en de integratie van kwantum-magnetometers voor nog hogere integriteit.

Conclusie: De auteurs hebben een doorbraak bewerkstelligd in MagNav door een hybride, online lerend systeem te ontwikkelen dat de nauwkeurigheid van geavanceerde machine learning combineert met de stabiliteit en certificeerbaarheid van klassieke filtertechnieken, zonder de noodzaak van voorafgaande trainingsdata.