Neural-Assisted in-Motion Self-Heading Alignment

Probleemstelling

Autonome platformen die op zee opereren, zoals Autonome Onderwater Voertuigen (AUV's) en Autonome Oppervlaktes Voertuigen (ASV's), zijn afhankelijk van nauwkeurige navigatie om hun missies succesvol af te ronden. Een fundamentele vereiste hiervoor is een nauwkeurige initiële uitlijning van de houding (attitude alignment), met name de koers (heading/yaw).

Traditionele, modelgebaseerde methoden voor deze uitlijning (zoals Dual Vector Decomposition en Optimized Attitude Decomposition) hebben echter twee grote beperkingen:

1. Lange uitlijningstijd: Ze vereisen vaak langdurige perioden van stationaire of quasi-stationaire beweging om een voldoende nauwkeurige koers te berekenen.
2. Afhankelijkheid van excitatie: De prestaties zijn sterk afhankelijk van de kwaliteit van de beweging (excitatie) en de omgevingscondities. In realistische maritieme scenario's, zoals bij ankeren of langzame drift met weinig dynamiek, leiden deze methoden vaak tot significante nauwkeurigheidsverlies of zeer trage convergentie.

Het doel van dit onderzoek is om een methode te ontwikkelen die de initiële koersschatting sneller en nauwkeuriger maakt, zelfs onder beperkte dynamische condities.

Methodologie: HeadingNet

De auteurs stellen HeadingNet voor, een modelvrij (model-free), end-to-end framework dat gebruikmaakt van diep leren (deep learning) om de koers direct te schatten op basis van sensormetingen, zonder expliciete analytische observatievectoren op te bouwen.

1. Architectuur:
HeadingNet is een multi-head Convolutional Neural Network (CNN)-architectuur specifiek ontworpen voor tijdsreeksdata van inertiale sensoren.

• Invoer: Het netwerk gebruikt vier invoerstromen, identiek aan die van modelgebaseerde methoden:
  1. Gemeten hoeksnelheid ($\tilde{\omega}^b_{ib}$)
  2. Gemeten specifieke kracht ($\tilde{f}^b$)
  3. Transportrate ($\omega^n_{in}$)
  4. Zwaartekrachtsvector ($g_n$)
     Deze invoer komt van een IMU en een GNSS-RTK ontvanger.
• Structuur:
  • De invoer wordt gesplitst op basis van het referentiekader en verwerkt door twee parallelle 2D-CNN-heads (Head 1 en Head 2) voor lage-niveau kenmerkextractie.
  • De output wordt samengevoegd en verwerkt door een derde 2D-CNN-head (Head 3) voor fijnere kenmerkextractie.
  • Een Fully Connected (FC) regressieblok (met vier lagen, TanH-activatie en Dropout voor regularisatie) schat uiteindelijk de koershoek ($\hat{\psi}$) aan het einde van de uitlijningstijd.
• Aanpassing aan tijdsduur: Omdat de invoerlengte varieert met de toegestane uitlijningstijd ($T_{Align}$), past de architectuur zich dynamisch aan. Er zijn variaties ontwikkeld voor uitlijningstijden van 10, 30, 60, 90 en 120 seconden, waarbij de kernelgroottes van de convolutielagen en de diepte van het netwerk worden aangepast.

2. Training en Verliesfunctie:

• Data: Het model is getraind op een real-world dataset van een ASV die aan een pier lag (mooring conditions) over vijf verschillende dagen. De dataset omvat 35 minuten trainingsdata en 8 minuten validatie- en testdata.
• Verliesfunctie: Omdat koers een cyclische grootheid is (0° = 360°), gebruiken de auteurs een Cyclic Mean Square Error (CMSE) verliesfunctie. Deze houdt rekening met de hoekige aard van de fout (via de atan2-functie) in plaats van een lineaire foutmeting.
• Optimalisatie: Er wordt gebruikgemaakt van de AdamW-optimizer met een leerplanscheduler (StepLR) om convergentie te verbeteren.

Belangrijkste Bijdragen

1. Modelvrije, end-to-end aanpak: Een nieuwe benadering die de complexe niet-lineaire relaties tussen sensormetingen en de koers leert zonder expliciete fysieke modellen of observatievectoren te vereisen.
2. Nieuwe Multi-head CNN-architectuur: Een innovatieve structuur met drie 2D-CNN-heads die specifiek is ontworpen om de fysieke decompositie van het uitlijningsprobleem na te bootsen en ruis te reduceren.
3. Significante prestatieverbetering: Het aantonen dat diep leren superieur is aan gevestigde analytische methoden voor snelle in-motion uitlijning.

Resultaten

Het voorgestelde HeadingNet werd getest tegen de state-of-the-art modelgebaseerde methoden (I-DVA, A-DVA, I-OBA, A-OBA) op de real-world dataset.

• Nauwkeurigheid: HeadingNet toonde een gemiddelde verbetering van 53% in absolute fout (Absolute Error - AE) ten opzichte van de beste modelgebaseerde baseline over alle geteste tijdsintervallen.
• Snelheid (Convergentie):
  • Bij een zeer korte uitlijningstijd van 10 seconden bereikte HeadingNet een fout van slechts 4,33°, terwijl de beste baseline (A-OBA) een fout van 150,49° had. Dit is een verbetering van 97%.
  • HeadingNet bereikte bij 10 seconden een nauwkeurigheid die beter was dan de baselines bij 30 seconden.
  • De uitlijningstijd kon met tot 67% worden verkort terwijl dezelfde of betere nauwkeurigheid werd behaald.
• Robuustheid: Zelfs bij de langste uitlijningstijd (120 seconden), waar modelgebaseerde methoden normaal gesproken hun beste prestaties leveren, overtrof HeadingNet de baseline met een verbetering van 51% (0,46° vs 0,93°).

Betekenis en Conclusie

Dit paper demonstreert dat data-gedreven methoden, specifiek deep learning, een krachtig alternatief kunnen zijn voor traditionele analytische uitlijningstechnieken in de maritieme navigatie.

• Operationele impact: Door de uitlijningstijd drastisch te verkorten, kunnen autonome platformen sneller hun missie starten, wat cruciaal is voor operaties zoals zoek- en reddingsacties of korte inspectiemissies waar tijd beperkt is.
• Toepasbaarheid: De methode werkt effectief onder realistische, beperkte dynamische condities (zoals ankeren of drift), waar traditionele methoden vaak falen of te langzaam convergeren.
• Toekomst: Hoewel HeadingNet specifieke aanpassingen vereist voor verschillende tijdsintervallen (in tegenstelling tot de universele toepasbaarheid van analytische formules), biedt het een robuust, end-to-end framework dat de prestaties van autonome navigatie systemen aanzienlijk kan verbeteren.