💻 computer science

Enhancing INS/GNSS Performance with Smart Learning Estimator

Dit artikel stelt een "Smart Learning Estimator" (SLE) voor, een met deep learning versterkte Kalman-filter die TGAN-, LSTM- en RWFNN-architecturen combineert, wat de nauwkeurigheid en robuustheid van goedkope INS/GNSS-navigatiesystemen tijdens langdurige GNSS-signaalonderbrekingen aanzienlijk verbetert door de beperkingen van traditionele lineaire filters te overwinnen.

Oorspronkelijke auteurs: Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Navigeren Zonder Kaart

Stel je voor dat je in een auto rijdt in een dichte mist. Je hebt een GPS (zoals een kaart op je telefoon) die je precies vertelt waar je bent, maar het signaal valt steeds weg door de mist of hoge gebouwen. Je hebt ook een dead reckoning system (zoals een stappenteller en een kompas) die je stappen telt en je bochten bijhoudt.

Het Probleem: Als het GPS-signaal verdwijnt, is je stappenteller een paar seconden lang geweldig, maar hij begint kleine foutjes te maken. Omdat hij elke stap moet optellen, stapelen die kleine foutjes zich snel op. Na een minuut kan je "stappenteller" denken dat je in een andere stad bent dan waar je werkelijk bent. Dit is het probleem met goedkope sensoren (genaamd MEMS) die worden gebruikt in drones en kleine robots.
Het Doel: De auteurs wilden een "slim brein" bouwen dat kan raden waar de drone is, zelfs wanneer het GPS-signaal volledig weg is, door te leren van de eerdere bewegingen van de drone.

De Oplossing: De "Smart Learning Estimator" (SLE)

De onderzoekers creëerden een nieuw systeem genaamd de Smart Learning Estimator (SLE). Zie dit systeem als een hooggetrainde co-piloot die duizenden vliegpatronen uit zijn hoofd heeft geleerd. In plaats van alleen te reageren op het huidige moment, kijkt deze co-piloot naar de geschiedenis van de vlucht om de toekomst te voorspellen.

De SLE is een "hybride" motor bestaande uit drie afzonderlijke onderdelen die samenwerken, zoals een driepersoons pitcrew:

1. De Wavelet Fuzzy Filter (De Noise-Canceling Koptelefoon)

Wat het doet: Sensoren in de echte wereld zijn rommelig. Ze pikken trillingen op van de motoren van de drone, windvlagen en elektrische statische elektriciteit. Dit is also nodig om een gesprek te verstaan in een luid concert.
De Analogie: Dit onderdeel werkt als noise-canceling koptelefoons. Het gebruikt "wavelets" (een wiskundige manier om naar geluidsgolven te kijken) om het nuttige signaal (de werkelijke beweging van de drone) te scheiden van de waardeloze ruis (trillingen). Het gebruikt ook "fuzzy logic", wat vergelijkbaar is met een mens die zegt: "Het is niet precies 50 graden, het is ongeveer warm," om onzekerheid beter te verwerken dan met rigide wiskunde.

2. De LSTM (Het Langetermijngeheugen)

Wat het doet: Standaard computerprogramma's vergeten vaak wat er enkele seconden geleden is gebeurd. Maar om te weten waar je nu bent, moet je weten waar je een minuut geleden was en hoe je daar bent gekomen.
De Analogie: Dit is het langetermijngeheugen van de co-piloot. Waar een normale computer misschien een bocht die je 10 seconden geleden maakte vergeet, houdt dit "Long Short-Term Memory" (LSTM) netwerk een voortlopend dagboek bij. Het onthoudt de volgorde van gebeurtenissen: "We gingen naar links, versnelden, en zakten toen omlaag." Dit helpt om te voorspellen waar de drone zou moeten zijn, zelfs als de GPS stil is.

3. De TGAN (De Creatieve Simulator)

Wat het doet: Dit is het meest geavanceerde deel. Het is een "Generative Adversarial Network" ontworpen voor tijdreeksgegevens.
De Analogie: Stel je een meestervervalser en een detective voor die een spel spelen.
- De Generator probeert een valse geschiedenis van de vlucht te creëren die zo echt lijkt dat deze niet van echt te onderscheiden is.
- De Discriminator probeert de vervalsingen te ontdekken.
- Ze spelen dit spel keer op keer totdat de Generator zo goed wordt in het creëren van realistische vliegpaden dat de Discriminator het verschil niet meer kan zien.
- Waarom dit belangrijk is: Wanneer het GPS-signaal verloren gaat, raadt dit systeem niet zomaar iets; het genereert een zeer waarschijnlijk, realistisch pad op basis van wat de drone gewoonlijk doet in die situatie. Het vult de ontbrekende kaartgegevens aan met een "beste gok" die wiskundig gezien heel dicht bij de werkelijkheid ligt.

Hoe ze het hebben getest

De onderzoekers hebben dit niet alleen op een computer gedraaid; ze vlogen een echte drone (UAV) uitgerust met deze goedkope sensoren.

De Opstelling: Ze vlogen de drone ongeveer 23 minuten (1.400 seconden).
De Truc: Ze zetten het GPS-signaal opzettelijk uit voor verschillende periodes (zoals 480 seconden, 580 seconden en 800 seconden) om te zien hoe goed het systeem kon navigeren zonder GPS.
De Competitie: Ze vergeleken hun nieuwe "Smart Learning Estimator" met oudere methoden, zoals standaard Kalman Filters (de traditionele wiskundige aanpak) en andere AI-modellen.

De Resultaten

Het paper beweert dat de Smart Learning Estimator (SLE) de duidelijke winnaar was.

Nauwkeurigheid: Wanneer de GPS werd uitgeschakeld, hield de SLE de positie en snelheid van de drone veel nauwkeuriger vast dan de andere methoden.
De Cijfers: In één test zat de standaardmethode (Kalman Filter) er enorm naast (102 meter fout), terwijl de SLE slechts ongeveer 4,8 meter afweek. Dat is een enorme verbetering (ongeveer 40-50% beter).
Complexe Manoeuvres: Het systeem blonk uit wanneer de drone lastige bewegingen maakte (draaien, versnellen, vertragen). Het "slimme brein" kon deze complexe bewegingen beter voorspellen dan de rigide wiskunde van oudere systemen.

De Trade-Off

Het paper geeft toe dat er een prijs aan verbonden is. Dit "slimme brein" is zwaar. Het vereist meer rekenkracht om te draaien dan de eenvoudige wiskunde die in oudere systemen wordt gebruikt.

Het Oordeel: De auteurs stellen dat voor banen met een hoog belang—zoals precisielandbouw-drones (het spuiten van gewassen), bezorgdrones in steden, of militaire begeleiding—de extra rekenkracht het waard is om te garanderen dat de drone niet verdwaalt.

Samenvatting

Kortom, de auteurs hebben een navigatiesysteem gebouwd dat ruisonderdrukking, langetermijngeheugen en creatieve simulatie combineert om goedkope drones te helpen hun weg te vinden wanneer het GPS-signaal verdwijnt. Het is alsoك het geven van een co-piloot aan een drone die de regels van het vliegen zo goed uit zijn hoofd kent, dat hij zelfs door een storm kan navigeren als de kaart weg is.

Technische Samenvatting: Verbeteren van INS/GNSS-prestaties met de Smart Learning Estimator

Probleemstelling
De integratie van Global Navigation Satellite Systems (GNSS) met Inertial Navigation Systems (INS) is een standaardstrategie om de inherente drift van positie-, snelheid- en oriëntatieschattingen te mitigeren. Deze afhankelijkheid wordt echter kritiek bij het gebruik van goedkope Micro-Electro-Mechanical Systems (MEMS) sensoren, waarbij ongecompenseerde biases en stochastische ruis ervoor zorgen dat fouten exponentieel accumuleren. Hoewel GNSS absolute positionering biedt, is het gevoelig voor signaalobstructies, blokkades en lage verversingssnelheden (typisch tot 5 Hz). Tijdens GNSS-onderbrekingen worstelen traditionele integratiemethoden—voorn toe Kalman Filters (KF) en hun varianten (EKF, UKF)—met het behouden van nauwkeurigheid. Deze conventionele filters vertrouwen vaak op geliniariseerde dynamica en Gaussische ruisveronderstellingen, die er niet in slagen de complexe, niet-lineaire dynamica en langetermijn temporele afhankelijkheden te vatten die inherent zijn aan MEMS-sensorfouten tijdens uitgebreide signaalonderbrekingen. Bovendien lijden standaard Recurrent Neural Networks (RNNs) aan verdwijnende of exploderende gradiënten, wat hun vermogen om langdurige sequentiële data te modelleren beperkt.

Methodologie: De Smart Learning Estimator (SLE)
Om deze beperkingen aan te pakken, stellen de auteurs een "Smart Learning Estimator" (SLE) voor, een deep learning-geaugmenteerd Kalman-filtering paradigma. De kern van de SLE is een veertienlaagse hybride architectuur aangeduid als TGAN-LSTM-RFW-KF. Deze architectuur integreert drie primaire componenten om niet-lineaire dynamica en langetermijn afhankelijkheden te modelleren:

Time-series Generative Adversarial Network (TGAN): Deze module is ontworpen om de onderliggende distributie van INS/GNSS-data te leren en latente kenmerken te reconstrueren. Het maakt gebruik van een generator, discriminator, embedding en recovery netwerk om complexe, multi-modale waarschijnlijkheidsdistributies van sensorfouten te vangen. Het hanteert drie verliesfuncties (supervised, reconstruction en unsupervised) om ervoor te zorgen dat het model zowel de temporele dynamica als de structurele representatie van de data leert.
Long Short-Term Memory (LSTM): Geïntegreerd om de beperkingen van standaard RNNs te overwinnen, maken de LSTM-lagen gebruik van gating-mechanismen (input, forget en output gates) om selectief relevante informatie over uitgebreide sequenties te behouden. Dit stelt het systeem in staat om langetermijn temporele afhankelijkheden in de bewegingsgeschiedenis van het voertuig te vangen.
Recurrent Fuzzy Wavelet Neural Network (RFWNN): Deze component combineert fuzzy logica-systemen met wavelet neurale netwerken. Het fuzzy inferentie mechanisme beheert complexe niet-lineaire dynamica, terwijl de wavelet-decompositie (met behulp van Mexican hat basisfuncties) zorgt voor een nauwkeurige schatting van gelokaliseerde variaties en ruisonderdrukking. De RFWNN fungeert als een intelligente preprocessor die het signaal dempt en de onzekerheid afhandelt voordat het de deep learning lagen bereikt.

Operationele Workflow
Het systeem werkt in twee verschillende modi:

Trainingsmodus (GNSS beschikbaar): Wanneer GNSS-signalen robuust zijn, gebruikt het systeem een Kalman Filter om INS en GNSS-data te fuseren. De resulterende fouttoestanden (verschillen tussen INS en GNSS) dienen als ground truth targets. Het TGAN-LSTM-RFW netwerk wordt getraind op gebatchte data, waarbij INS-afgeleide snelheid, positie en specifieke kracht als inputs worden gebruikt om de bijbehorende fouten te voorspellen. Het model werkt zijn synaptische gewichten bij om navigatiekennis te encapsuleren.
Voorspellingsmodus (GNSS-onderbreking): Tijdens signaalonderbrekingen schakelt het systeem over naar forecasting. Het geconvergeerde TGAN-LSTM-RFW model neemt huidige en historische INS-data als input om gesimuleerde geocoördinaten en snelheidsfouten te synthetiseren. Deze voorspelde fouten worden vervolgens teruggevoerd naar de Kalman Filter om de navigatieoplossing te corrigeren, waardoor de kloof effectief wordt overbrugd totdat de GNSS-signalen worden hersteld.

Belangrijkste Bijdragen

Hybride Architectuur: Het artikel introduceert een nieuwe 14-laagse architectuur die synergetisch TGAN, LSTM en RFWNN combineert binnen een Kalman filtering framework. Dit adresseert de specifieke beperkingen van standaard KF's (lineariteit en Gaussische aannames) onder hoge ruis en lage updatefrequenties.
Modellering van Langetermijn Afhankelijkheden: Door gebruik te maken van LSTM en TGAN, mitigeert de methode effectief het onvermogen van traditionele filters en eenvoudige RNNs om langetermijn sequentiële afhankelijkheden in INS-drift te modelleren.
Ruisrobuustheid: De inclusie van de Wavelet-component maakt het mogelijk om signalen te decomponeren in frequentiebanden, waardoor hoogfrequente sensorruis (thermisch, trillingen) wordt gescheiden van nuttige bewegingsdata, wat de prestaties in turbulente omstandigheden verbetert.
Validatie in de Praktijk: De methodologie wordt gevalideerd met echte vluchtgegevens van een Unmanned Aerial Vehicle (UAV) uitgerust met een MEMS IMU en een Garmin GNSS ontvanger, in plaats van uitsluitend te vertrouwen op synthetische data.

Experimentele Resultaten
De SLE werd geëvalueerd tegen verschillende benchmark algoritmen, waaronder standaard KF, Feed-forward Time Delay Neural Networks (FTDNN), NARX, RFWNN, GRU en standalone LSTM-RFW-KF modellen. De evaluatie maakte gebruik van Root Mean Square Error (RMSE) metrieken voor positie (breedtegraad/lengtegraad) en snelheid (Noord/Oost) fouten tijdens kunstmatige GNSS-onderbrekingen van variërende duur (beginnend bij 480s, 580s en 800s).

Prestaties: De SLE behaalde consistent de laagste RMSE-waarden over alle testscenario's. Zo verminderde de SLE in een 480-seconden onderbreking de snelheid-fout RMSE tot $1.07 \times 10^1$ , waarmee het de standaard KF ( $1.77 \times 10^2$ ) en andere neurale netwerkvarianten aanzienlijk overtrof.
Maneuver Gevoeligheid: De superioriteit van de SLE was bijzonder evident tijdens complexe, dynamische en rotationele manoeuvres, waar traditionele filters en eenvoudigere neurale netwerken hogere foutaccumulatie vertoonden.
Nauwkeurigheidswinst: De auteurs rapporteren een verbetering in nauwkeurigheid van ongeveer 40–50% tijdens uitgebreide GNSS-onderbrekingen vergeleken met baseline methoden.

Betekenis en Claims
Het artikel claimt dat de Smart Learning Estimator succesvol het schattingsparadigma verschuift van "instantane reactie" naar "voorspelling op basis van recente bewegingscontext". Door deep learning te benutten om latente datadynamica en langetermijn afhankelijkheden te modelleren, maakt de SLE een nauwkeurige trajectreconstructie en een aanhoudende nauwkeurigheid mogelijk tijdens uitgebreide GNSS-signaalonderbrekingen. De auteurs stellen dat hoewel het model een hogere computationele last met zich meebrengt, moderne edge-computing hardware (zoals de Texas Instruments AM69A processor) real-time implementatie levensvatbaar maakt. Dit werk positioneert deze aanpak als een robuuste oplossing voor toepassingen die een hoge veiligheid en betrouwbaarheid vereisen, waarbij specifiek wordt verwezen naar precisielandbouw UAV's, autonome navigatie en stedelijke pakketbezorging, waar het behoud van navigatiefideliteit in GNSS-ontzegde omgevingen cruciaal is.