⚡ electrical engineering

Information Aided Navigation: A Review

Este artigo fornece uma revisão abrangente de técnicas de navegação assistida por informação, classificando-as em abordagens de auxílio direto, indireto e baseado em modelos, a fim de demonstrar como a exploração de restrições do sistema pode mitigar a deriva inercial e melhorar a precisão da navegação durante períodos de perda de medições externas.

Autores originais: Daniel Engelsman, Itzik Klein

Publicado 2026-05-19

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Daniel Engelsman, Itzik Klein

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando navegar um carro através de uma neblina densa, onde não consegue ver as placas de trânsito, o sinal de GPS está perdido e você não faz ideia de onde está. Você tem um painel muito sensível (um Sistema de Navegação Inercial, ou INS) que mede cada solavanco, curva e aceleração. O problema é que esse painel é ligeiramente "instável". Com o tempo, pequenos erros em suas medições se acumulam, e ele começa a dizer que você está em uma cidade diferente da que realmente está.

Este artigo, "Navegação Auxiliada por Informação", é como um guia mestre para corrigir esse painel instável sem precisar ver o mundo exterior. Os autores, Daniel Engelsman e Itzik Klein, explicam como podemos usar informações "gratuitas" — coisas que já sabemos sobre como o veículo ou o ambiente se comportam — para corrigir os erros do sistema de navegação.

Aqui está uma explicação de suas três principais estratégias, ilustradas com analogias simples:

O Problema Central: A Bússola Derivante

Pense no INS como um corredor vendado que conta seus passos para saber a distância percorrida. Se ele tropeçar uma vez, acha que correu um pouco mais. Se tropeçar novamente, acha que correu ainda mais. Em breve, ele estará convencido de que está a quilômetros de distância de onde realmente está. Para corrigir isso, o corredor precisa ocasionalmente verificar um marco (como um sinal de GPS). Mas e se não houver marcos?

Este artigo diz: "Não procure um marco; olhe para suas próprias regras de movimento."

Os autores categorizam todas as maneiras pelas quais podemos usar essas "regras" em três grupos:

1. Auxílio Direto por Informação: "As Regras do Senso Comum"

Esta é a abordagem mais direta. Envolve pegar coisas que sabemos ser verdadeiras sobre o veículo e dizer ao computador de navegação: "Ei, neste momento, essa coisa específica é zero ou constante."

A Regra do "Sinal de Pare" (Velocidade Zero): Se você é um carro parado em um semáforo vermelho, sua velocidade é zero. Mesmo que seu painel ache que você está se movendo lentamente, você diz a ele: "Não, estou parado." O artigo chama isso de ZVN (Velocidade Zero no Quadro de Navegação). É como pressionar um botão de "Redefinir" no seu velocímetro toda vez que você para.
A Regra do "Sem Derapagem" (Velocidade Lateral Zero): Carros geralmente não deslizam para os lados como patins no gelo. Se você está dirigindo em uma estrada, sua velocidade movendo-se para a esquerda ou direita é zero. O artigo chama isso de ZVB (Velocidade Zero no Quadro do Corpo). É como dizer ao computador: "Eu só posso ir para frente, não para os lados."
A Regra da "Estrada Plana" (Altitude Constante/Velocidade Vertical Zero): Se você está dirigindo em uma rua plana da cidade, não está voando para cima nem mergulhando para baixo. Você diz ao sistema: "Minha altura não está mudando." Isso é CA (Altitude Constante) e ZDV (Velocidade Vertical Zero).
A Regra da "Linha Reta" (Taxa de Guinada Zero): Se você está dirigindo em linha reta, seu volante não está girando. O artigo chama isso de ZYR (Taxa de Guinada Zero).

A Analogia: Imagine que você está andando em um quarto escuro. Você sabe que não está flutuando, não está deslizando para os lados e, quando para, não está se movendo. Ao lembrar seu cérebro desses fatos simples, você deixa de se perder.

2. Auxílio Indireto por Informação: "O Trabalho de Detetive"

Às vezes, você não pode apenas declarar uma regra; precisa deduzir informações de outros sensores que já estão lá. É como ser um detetive que reúne pistas.

Lendo a Estrada pela Velocidade: Se você sabe a velocidade de um carro e como ele está virando, pode descobrir para onde ele está apontando, mesmo sem uma bússola. O artigo chama isso de Orientação Baseada em Posição (PBO) ou Orientação Baseada em Velocidade (VBO). É como olhar para as marcas de pneu na lama para adivinhar para onde o carro estava indo.
O "GPS Falso" (Pseudo-GNSS): Se seu sinal de GPS falhar, você pode usar um modelo computacional para adivinhar o que o GPS teria dito com base na sua velocidade e direção. É como um meteorologista prevendo chuva com base em leituras de barômetro quando o céu está muito nublado para ver.
O "Sonar Falso" (Pseudo-DVL): Para robôs subaquáticos, um dispositivo chamado DVL mede a velocidade ao refletir som no fundo do oceano. Se o som falhar, o robô usa matemática para adivinhar os dados de velocidade ausentes. É como uma pessoa cega batendo uma bengala e adivinhando a textura do chão com base no som da batida.

A Analogia: Você perdeu seu mapa, mas tem um velocímetro e uma bússola. Você usa a velocidade e a direção para desenhar um esboço aproximado de onde você deve estar, criando efetivamente um "mapa falso" para mantê-lo no caminho certo.

3. Auxílio Baseado em Modelo: "O Gêmeo Virtual"

Esta é a abordagem mais high-tech. Em vez de usar apenas regras simples, o sistema de navegação executa um jogo de vídeo simultâneo do veículo em segundo plano.

O Gêmeo Virtual: Imagine que você tem um gêmeo digital perfeito do seu carro (ou avião, ou barco) rodando em um computador. Esse gêmeo conhece as leis da física: como o vento empurra um avião, como as correntes marítimas empurram um barco ou como os pneus de um carro aderem à estrada.
A Comparação: O carro real se move, e o gêmeo virtual se move ao mesmo tempo. O sistema de navegação compara os sensores reais com as previsões do gêmeo virtual. Se o carro real diz "Estou virando à esquerda" mas o gêmeo virtual diz "Com tanto vento, você deveria estar virando à direita", o sistema sabe que algo está errado e corrige o erro.

A Analogia: É como ter um copiloto que é um físico especialista. Enquanto você voa às cegas, o copiloto calcula exatamente onde o avião deveria estar com base no vento e na potência do motor. Se seus instrumentos dizem uma coisa e a matemática do copiloto diz outra, você confia no copiloto para corrigir os instrumentos.

Por Que Isso Importa

Os autores enfatizam que esses métodos são sem custo. Você não precisa comprar novos sensores caros. Você só precisa escrever um software melhor que entenda as regras da estrada, a física do voo ou o comportamento do oceano.

Para Terra: Ajuda carros a navegar em túneis ou cânions urbanos altos onde o GPS falha.
Para Ar: Ajuda drones a voar quando o vento é complicado ou os sinais estão bloqueados.
Para o Mar: Ajuda robôs subaquáticos a navegar quando não conseguem ver o fundo ou se comunicar com a superfície.

A Conclusão

O artigo conclui que, ao combinar a "regra" certa (como "estou parado" ou "estou em uma estrada plana") com a situação certa, podemos impedir que o sistema de navegação derive. Ele transforma um sistema que eventualmente falharia em um que pode continuar com precisão, mesmo quando o mundo exterior fica escuro. Não se trata de ver o caminho; trata-se de conhecer as regras do caminho tão bem que você nunca se perde.

Resumo Técnico: Navegação Auxiliada por Informação: Uma Revisão

Declaração do Problema

Os Sistemas de Navegação Inercial (INS) são ubíquos em plataformas terrestres, marítimas, aéreas, espaciais e subaquáticas devido à sua capacidade de fornecer soluções de navegação completas (posição, velocidade, orientação) sem dependência de transmissões externas. No entanto, a limitação fundamental do INS é a deriva da solução causada pela integração de medições de sensores ruidosos (acelerômetros e giroscópios) ao longo do tempo. Embora sensores externos (GNSS, DVL, Wi-Fi, etc.) sejam comumente fundidos com o INS para limitar essa deriva, plataformas em ambientes operacionais específicos frequentemente enfrentam períodos em que medições externas estão indisponíveis ou não confiáveis (por exemplo, cânions urbanos com negação de GNSS, ambientes subaquáticos ou bloqueio de sinal). Este artigo aborda o desafio de manter a precisão da navegação durante tais interrupções de informação, explorando o conhecimento interno das condições atuais do sistema e do ambiente operacional para gerar "informação" que possa atualizar o filtro de navegação.

Metodologia

O artigo fornece uma pesquisa abrangente e uma taxonomia da Navegação Auxiliada por Informação, categorizando as técnicas existentes em três famílias principais com base na forma como a informação de auxílio é derivada e aplicada. O arcabouço matemático subjacente para todos os métodos envolve fundir essas fontes de informação com a solução do INS utilizando um filtro não linear, tipicamente um Filtro de Kalman Estendido (EKF) operando em um modelo de estado de erro.

1. Auxílio Direto por Informação

Esta categoria envolve traduzir conhecimento a priori sobre a plataforma ou o ambiente diretamente em pseudo-medidas para atualizar o filtro. O artigo revisa 12 tipos distintos:

Restrições Cinemáticas: Atualizações de Velocidade Zero (ZVN, ZVB) para condições de parada ou sem deslizamento; Taxa Angular Zero (ZAR) para alinhamento em repouso; Velocidade/Aceleração Vertical Zero (ZDV, ZAD) para movimento planar; e Taxa de Guinada Zero (ZYR) para movimento em linha reta.
Restrições Geométricas/Ambientais: Altitude Constante (CA) e Posição Constante (CP) para veículos em superfícies niveladas ou em paradas de curta duração; Ângulo de Rumo Constante (CHA) para navegação urbana baseada em grade.
Configuração do Sistema: Braço Virtual (VLA) para modelar o erro estocástico do braço de alavanca entre sensores; e Atualizações Relativas (RUP) para plataformas com múltiplos IMUs montados rigidamente para restringir posição, velocidade e atitude relativas.

2. Auxílio Indireto por Informação

Esta categoria extrai informações adicionais de sensores externos existentes ou aproxima dados de sensores ausentes por meio de modelagem ou aprendizado, categorizada por modalidade:

Heterogênea (Cross-Variable): Usar medições de posição para inferir orientação (Orientação Baseada em Posição, PBO) ou usar vetores de velocidade para inferir atitude e ângulos de derrapagem lateral (Orientação Baseada em Velocidade, VBO).
Homogênea (Pseudo-Sensores): Gerar dados de sensores sintéticos para substituir sinais ausentes. Isso inclui Pseudo-GNSS (regredindo incrementos de pseudo-posição a partir da dinâmica do INS ou usando aprendizado de máquina para prever correções de GNSS) e Pseudo-DVL (reconstruindo feixes Doppler ausentes usando restrições geométricas, histórico temporal ou redes neurais).

3. Auxílio Baseado em Modelo

Esta abordagem executa um Modelo Dinâmico de Veículo (VDM) em paralelo com o INS. O VDM simula a força específica e a velocidade angular do veículo com base em equações aerodinâmicas, hidrodinâmicas ou cinemáticas. As saídas simuladas são fundidas com a solução do INS para corrigir erros tanto no hardware inercial quanto nos parâmetros do modelo dinâmico. O artigo revisa aplicações para:

Veículos Aéreos (AV): Usando modelos de dinâmica de aeronaves (ADM) e modelos de vento para auxiliar UAVs e aeronaves de asa fixa.
Veículos Marinhos/Subaquáticos (MV/UV): Utilizando modelos hidrodinâmicos, dinâmica dos fluidos computacional (CFD) e estimativa de correntes oceânicas para auxiliar veículos de superfície e subaquáticos.
Veículos Terrestres (LV): Aplicando modelos cinemáticos (VKM) e restrições não holonômicas a robôs terrestres e carros.

Contribuições Principais

Taxonomia: O artigo estabelece uma classificação estruturada de 25 tipos distintos de auxílio por informação, organizados em uma árvore taxonômica (Figura 2) que distingue entre abordagens diretas, indiretas e baseadas em modelo.
Formulação Matemática: Para cada tipo de auxílio, os autores fornecem os modelos de medição específicos, incluindo a derivação do resíduo de medição ( $\delta z$ ) e a matriz de medição correspondente ( $H$ ). Isso serve como uma "receita" técnica para implementar essas restrições em filtros de navegação existentes ou novos.
Síntese da Literatura: A revisão agrega trabalhos notáveis das últimas três décadas, mapeando algoritmos específicos (por exemplo, ZUPT, HDR, VDM) para seus contextos operacionais (terrestre, marinho, aéreo) e identificando os vetores de estado específicos (por exemplo, ângulos de desalinhamento, vieses) que se tornam observáveis por meio de cada método.

Resultados e Descobertas

O artigo não apresenta novos dados experimentais, mas sintetiza descobertas da literatura revisada para demonstrar a eficácia desses métodos:

Mitigação de Deriva: O auxílio por informação limita efetivamente a deriva do INS durante interrupções de GNSS ou de sensores. Por exemplo, o ZUPT (Atualização de Velocidade Zero) é mostrado para melhorar significativamente a precisão da atitude em aplicações de pedestres e veículos terrestres.
Melhoria da Observabilidade: Restrições específicas, como ZVB (Velocidade Zero no Referencial do Corpo) ou PBO (Orientação Baseada em Posição), são demonstradas como capazes de tornar estados anteriormente não observáveis (como deriva de guinada ou vieses de sensores) observáveis, desde que o veículo execute manobras específicas ou opere sob restrições específicas.
Custo e Disponibilidade: A revisão destaca que o auxílio por informação oferece uma solução "sem custo" (requerendo apenas modificações de software) e "disponibilidade contínua", pois a taxa de atualização pode ser sincronizada com a taxa de amostragem do INS, ao contrário de sensores externos que podem ter taxas de atualização mais baixas ou disponibilidade intermitente.

Significado e Alegações

O artigo alega que o auxílio por informação é uma estratégia crítica para sistemas de navegação modernos, particularmente à medida que as plataformas operam em ambientes cada vez mais complexos e negados. Seu significado principal reside em:

Compensação Inteligente: Permite que os projetistas do sistema associem restrições específicas a cenários operacionais para compensar informações perdidas sem hardware adicional.
Revelação de Estados: Permite a estimativa de estados internos que, de outra forma, permaneceriam não observáveis em um INS autônomo ou em um sistema fracamente acoplado.
Solução Centrada em Software: Enfatiza que a navegação de alta precisão pode ser alcançada por meio de avanços algorítmicos (modificações de software) em vez de depender exclusivamente de sensores inerciais de alto grau e caros.

Os autores concluem que, ao identificar com precisão os desafios de engenharia de uma plataforma e ambiente específicos, é possível selecionar a abordagem adequada de auxílio por informação para compensar inteligentemente obstáculos, mantendo assim a precisão da solução de navegação onde as medições externas falham.