Neural-Assisted in-Motion Self-Heading Alignment

1. Problema

A estimativa precisa da orientação inicial (especificamente o rumo ou heading) é um pré-requisito fundamental para o funcionamento de Sistemas de Navegação Inercial Strapdown (SINS) em plataformas autônomas, como Veículos Submarinos Autônomos (AUVs) e Veículos de Superfície Autônomos (ASVs).

O principal desafio reside no fato de que os métodos tradicionais de alinhamento de rumo baseados em modelos (como decomposição vetorial e decomposição de atitude) dependem fortemente da qualidade e riqueza das excitações dinâmicas e de tempos de integração longos para atingir precisão aceitável. Em cenários marinhos, onde as condições são frequentemente estáticas ou de baixa dinâmica (ex.: amarrados a um píer, deriva lenta), esses métodos sofrem com:

• Tempos de alinhamento prolongados.
• Degradação significativa da precisão devido a ruídos de sensores e perturbações ambientais.
• Dificuldade em explorar padrões de observabilidade complexos usando modelos analíticos fixos.

2. Metodologia

Os autores propõem uma abordagem end-to-end, livre de modelos (model-free) e assistida por redes neurais, chamada HeadingNet. O objetivo é estimar o ângulo de rumo de uma embarcação utilizando apenas medições inerciais, sem a necessidade de construir vetores de observação analíticos explícitos.

Arquitetura e Funcionamento:

• Entradas: O sistema utiliza as mesmas quatro entradas dos métodos clássicos:
  1. Velocidade angular medida ($\tilde{\omega}^b_{ib}$).
  2. Força específica medida ($\tilde{f}^b$).
  3. Taxa de transporte ($\omega^n_{in}$).
  4. Vetor de gravidade ($g_n$).
     Nota: As duas últimas são derivadas de um receptor GNSS-RTK, enquanto as duas primeiras vêm da Unidade de Medição Inercial (IMU).
• Estrutura da Rede (HeadingNet):
  • É uma arquitetura baseada em Redes Neurais Convolucionais 2D (2DCNN) com uma estrutura de cabeças múltiplas (multi-head).
  • Head 1 e Head 2: Processam separadamente as entradas medidas no referencial do corpo (velocidade angular e força específica) e no referencial de navegação (taxa de transporte e gravidade). Cada cabeça possui três camadas 2DCNN seguidas por camadas de pooling máximo e ativação LeakyReLU.
  • Head 3: Concatena as saídas das duas primeiras cabeças e realiza extração de características mais refinadas através de uma quarta camada 2DCNN.
  • Bloco Fully Connected (FC): A saída é achatada (flattened) e passada por quatro camadas totalmente conectadas com ativação Tanh e camadas de Dropout para regularização, resultando na estimativa final do ângulo de rumo ($\hat{\psi}$).
• Adaptabilidade: A arquitetura é adaptável a diferentes tempos de alinhamento ($T_{Align}$), variando de 10 a 120 segundos. Para tempos maiores, são adicionadas camadas de pooling e camadas convolucionais extras para lidar com o aumento da dimensão temporal dos dados de entrada.
• Função de Perda: Utiliza uma Perda de Erro Quadrático Médio Cíclico (CMSE), projetada especificamente para lidar com a natureza cíclica dos ângulos (evitando erros de 359° vs 1°).

3. Principais Contribuições

1. Abordagem Assistida por Rede Neural: Introdução de um método de alinhamento de rumo in-motion (em movimento) que é livre de modelos físicos explícitos, focando na aprendizagem de mapeamentos implícitos a partir dos dados dos sensores.
2. Arquitetura Novel Multi-Head 2DCNN: Desenvolvimento de uma rede neural específica que reflete a decomposição física do problema de alinhamento, utilizando cabeças separadas para diferentes referenciais de medição, permitindo a extração de correlações temporais de ordem superior.
3. Validação em Cenário Real: O método foi treinado e avaliado utilizando um conjunto de dados do mundo real capturado por um ASV em condições de amarração (mooring), cobrindo cinco dias diferentes e diversas condições do mar.

4. Resultados

O desempenho do HeadingNet foi comparado com abordagens baseadas em modelos de última geração (DVA, OBA, I-DVA, I-OBA, A-DVA, A-OBA) utilizando um conjunto de dados de validação independente.

• Precisão: O HeadingNet demonstrou uma melhoria significativa na precisão.
  • Redução média do erro absoluto (AE) de 53% em comparação com as melhores abordagens baseadas em modelos.
  • No tempo de alinhamento mais curto (10 segundos), o HeadingNet alcançou um erro inferior a 5 graus, superando os métodos baseados em modelos em 97%.
• Tempo de Alinhamento:
  • O método proposto reduziu o tempo necessário para atingir uma precisão específica em até 67%.
  • Por exemplo, o HeadingNet com 10 segundos de alinhamento obteve resultados piores que os métodos baseados em modelos com 30 segundos (redução de 66% no tempo).
• Convergência: A rede converge mais rapidamente, alcançando baixos níveis de erro em janelas temporais curtas onde os métodos analíticos ainda apresentam erros elevados ou instabilidade.

5. Significância

Este trabalho representa um avanço significativo na navegação inercial para plataformas autônomas marinhas.

• Eficiência Operacional: Ao reduzir drasticamente o tempo de alinhamento inicial, as missões podem começar mais rapidamente, o que é crucial para operações de busca e resgate ou missões de curta duração.
• Robustez em Baixa Dinâmica: A abordagem supera as limitações dos métodos clássicos em ambientes com baixa excitação dinâmica, onde a observabilidade do rumo é tradicionalmente pobre.
• Paradigma de Navegação: O estudo valida a viabilidade de substituir ou complementar pipelines de navegação analíticos complexos por frameworks de aprendizado de máquina end-to-end, capazes de aprender padrões de ruído e correlações temporais que modelos físicos fixos não conseguem capturar.

Em resumo, o HeadingNet oferece uma solução prática, robusta e de alta precisão para o alinhamento de rumo em movimento, demonstrando que a inteligência artificial pode superar métodos tradicionais estabelecidos em cenários do mundo real.