Resumo Técnico: Navegação de Fusão Robusta Multimodal para Sistemas Integrados RLG-INS/GNSS

1. Definição do Problema

O artigo aborda desafios críticos de confiabilidade e precisão em sistemas de navegação inercial baseados em Giroscópio de Laser de Anel (RLG) integrados com Sistemas Globais de Navegação por Satélite (GNSS) ao operar em ambientes dinâmicos complexos. Especificamente, os autores identificam quatro restrições fundamentais que limitam os atuais sistemas de navegação integrada:

1. Estratégias de Fusão Inflexíveis: Sistemas convencionais frequentemente dependem de estruturas de fusão fixas (ex: acoplamento frouxo ou estrito de modo único) que falham em se ajustar adaptativamente a variações na qualidade do sinal GNSS, dinâmica do veículo ou requisitos de precisão, levando a uma rápida degradação da precisão durante bloqueios de sinal ou interferência de multicaminho.
2. Divergência de Erro Durante Interrupções: Em caso de perda completa de sinal GNSS (ex: em túneis), o sistema degrada-se para o modo puramente INS, causando o acúmulo e a divergência rápida de erros. Métodos auxiliados por IA existentes frequentemente produzem apenas incrementos de posição, falhando em fornecer informações completas de observação de velocidade ou em utilizar efetivamente a covariância de predição para propagação de incerteza.
3. Sensibilidade ao Ruído Não-Gaussiano: Filtros de Kalman tradicionais assumem ruído Gaussiano. Em cânions urbanos, o ruído de medição frequentemente exibe características de cauda pesada não-Gaussianas (ex: interferência impulsiva de multicaminho), fazendo com que filtros padrão sofram severa degradação de desempenho. Além disso, filtros robustos existentes utilizam larguras de banda de kernel empiricamente fixas, carecendo de mecanismos adaptativos para equilibrar precisão e robustez dinamicamente.
4. Detecção de Falhas Suaves Retardada: Falhas suaves (desvios de deriva lenta) são difíceis de detectar devido à sua ocultação. Métodos de detecção existentes, como o Teste de Razão de Verossimilhança Sequencial (SPRT) padrão ou testes de qui-quadrado de resíduos, frequentemente dependem de fatores de esquecimento empíricos ou carecem de sensibilidade a anomalias de pequena amplitude e variação lenta, resultando em atrasos significativos na detecção.

2. Metodologia

A solução proposta é uma Estrutura de Navegação Integrada Robusta Multimodal que integra quatro módulos sinérgicos:

A. Avaliação de Qualidade de Informação de Múltiplas Fontes e Troca Dinâmica de Modo

O sistema emprega uma estrutura de Avaliação Abrangente Fuzzy para avaliar a qualidade da informação através de três dimensões: qualidade do sinal GNSS (contagem de satélites, C/N₀, GDOP), precisão do INS (estabilidade de bias, taxas de divergência) e estados dinâmicos do veículo.

• Mecanismo: Funções de pertinência mapeiam esses indicadores para uma escala de [0,1]. Uma avaliação abrangente ponderada determina a confiança de quatro modos candidatos: Acoplamento Estrito, Acoplamento Frouxo, INS Puro e Integração de Sensores Auxiliares.
• Estabilidade: Uma estratégia de comparação com histerese (com limiares alto/baixo de 0.75/0.60) evita a oscilação frequente de modo nas fronteiras.
• Acoplamento: O escore de confiança GNSS resultante não é apenas um sinal de troca; ele impulsiona o ajuste adaptativo da largura de banda do kernel do filtro (ver Seção C).

B. LSTM Aprimorada por Atenção para Predição de Sinal

Durante interrupções de GNSS, uma rede LSTM Aprimorada por Auto-Atenção de Produto Escalar Escalonado prevê os estados de navegação.

• Entradas: Incrementos de taxa angular do giroscópio, incrementos de aceleração e informações de atitude do INS dos 10 segundos precedentes.
• Arquitetura: A rede utiliza um mecanismo de auto-atenção causal para ponderar dinamicamente estados ocultos históricos, focando em momentos de alta excitação (ex: curvas).
• Saída Dupla: Diferente de métodos anteriores de saída única, esta rede prevê simultaneamente incrementos de posição e incrementos de velocidade.
• Propagação de Incerteza: Um fator de decaimento temporal infla dinamicamente a matriz de covariância de predição com base na duração da interrupção ($\gamma_k = \gamma_0 \exp(\lambda_{decay} \Delta t)$). Esta covariância inflada é injetada na matriz de ruído de medição do filtro, garantindo que o filtro reduza apropriadamente a confiança nas observações virtuais conforme a duração da interrupção aumenta.

C. Filtro de Kalman Unscented de Correntropia Máxima Adaptativo (MCUKF)

Para lidar com ruído de cauda pesada não-Gaussiano, o UKF padrão é substituído por um MCUKF Adaptativo.

• Critério: Utiliza o Critério de Correntropia Máxima (MCC) em vez do Erro Quadrático Médio Mínimo (MMSE), usando um kernel Gaussiano para reduzir o peso de grandes erros (outliers).
• Adaptação: A largura de banda do kernel ($\sigma$) é regulada autonomamente pelo escore de confiança GNSS ($C_{GNSS}$) derivado do módulo de troca de modo: $\sigma_k = \sigma_{max} - (\sigma_{max} - \sigma_{min})C_{GNSS}$.
  • Alta confiança $\rightarrow$ $\sigma$ pequeno (prioriza precisão).
  • Baixa confiança/ruído $\rightarrow$ $\sigma$ grande (prioriza robustez).
• Solução: Um algoritmo de iteração de ponto fixo resolve a função de custo não linear, com a covariância de ruído de medição equivalente ajustada com base nos valores da função de kernel.

D. SPRT Aprimorado por Fator de Desvanecimento Adaptativo para Detecção de Falhas

Uma arquitetura de detecção de falhas de camada dupla é proposta para identificar falhas suaves rapidamente.

• Mecanismo: Um fator de desvanecimento adaptativo ($d_k$) é construído a partir das estatísticas da sequência de inovação. Este fator quantifica o desvio da variância da inovação real em relação à covariância teórica.
• Integração: O $d_k$ é incorporado na recursão da razão de verossimilhança do SPRT como um peso multiplicativo. Isso amplifica a contribuição das inovações atuais quando falhas são detectadas, acelerando o aumento do estatístico de teste.
• Arquitetura: Este SPRT adaptativo opera em paralelo com um detector de qui-quadrado de resíduos padrão (para falhas abruptas), formando um sistema de camada dupla com lógica OR.

3. Principais Contribuições

O artigo reivindica quatro contribuições primárias:

1. Gestão de Ciclo Fechado: Uma estrutura que vincula avaliação de qualidade multissensorial, troca de modo inteligente e ajuste de parâmetros de filtro adaptativo (largura de banda do kernel) em um loop sinérgico, em vez de módulos independentes em cascata.
2. Predição de Saída Dupla com Controle de Incerteza: Uma rede atenção-LSTM que produz tanto incrementos de posição quanto de velocidade, acoplada a um mecanismo de inflação de covariância por decaimento temporal para caracterizar matematicamente e propagar a incerteza de predição durante interrupções de sinal.
3. Filtragem Robusta Adaptativa: Um MCUKF onde a largura de banda do kernel é regulada dinamicamente pela confiança GNSS, alcançando um equilíbrio ideal entre robustez contra ruído não-Gaussiano e precisão de estimativa sob condições Gaussianas.
4. Detecção Rápida de Falhas Suaves: Uma variante inovadora do SPRT que incorpora um fator de desvanecimento adaptativo derivado da inovação, permitindo uma arquitetura de detecção de camada dupla que reduz significativamente o atraso de detecção para falhas suaves de variação lenta em comparação com métodos padrão.

4. Resultados Experimentais

O método foi validado através de simulações envolvendo 50 execuções de Monte Carlo em três cenários: interrupções de GNSS, ruído não-Gaussiano e injeção de falha suave.

• Desempenho em Interrupção de GNSS: Durante uma interrupção completa de sinal de 60 segundos, o método proposto manteve os erros de posicionamento horizontal dentro de 2,0 m. Isso representou uma melhoria significativa sobre o INS puro (erro > 28 m) e métodos auxiliados por LSTM padrão (erro ~2,3 m). O mecanismo de atenção focou efetivamente em manobras dinâmicas, e a inflação de covariância evitou a divergência do erro.
• Desempenho sob Ruído Não-Gaussiano: Sob ruído de cauda pesada (distribuição t de Student), o MCUKF adaptativo alcançou um RMSE de posição de 0,15 m, representando uma melhoria de 66,7% sobre o UKF padrão (0,45 m) e uma melhoria de 28,6% sobre o MCUKF de largura de banda fixa (0,21 m). A largura de banda adaptativa alternou com sucesso entre os modos de precisão e robustez com base na qualidade do sinal.
• Detecção de Falha Suave: O SPRT adaptativo detectou falhas suaves (crescimento de bias de 0,5 m/min) com um atraso de 5,2 segundos, uma redução de 50% em comparação com o SPRT padrão (10,1 s) e uma redução de 67% em comparação com a detecção de qui-quadrado de resíduos (15,2 s). A taxa de detecção excedeu 95% com uma taxa de alarme falso abaixo de 5%.
• Desempenho Abrangente: Em uma simulação de trajetória completa, o sistema alcançou erros de posicionamento horizontal abaixo de 0,08 m em regiões favoráveis ao GNSS (utilizando correções diferenciais) e manteve erros abaixo de 2,0 m durante interrupções. O estudo de ablação confirmou que a troca de modo contribuiu mais para a precisão geral (redução de 36% no RMSE), enquanto a LSTM de saída dupla melhorou o desempenho em interrupções em 27% sobre as variantes de saída única.
• Eficiência Computacional: O tempo total de processamento foi de aproximadamente 28,4 ms por atualização em um processador Intel i7, confirmando a viabilidade em tempo real para atualizações GNSS de 1 Hz.

5. Significância e Alegações

O artigo afirma que o método proposto aumenta significativamente a adaptabilidade, precisão e confiabilidade dos sistemas de navegação integrada em ambientes complexos. Ao integrar troca de modo, predição de séries temporais, filtragem robusta e detecção de falhas dentro de uma estrutura unificada coordenada por acoplamento de confiança entre módulos, o sistema alcança um desempenho que excede a soma de seus componentes individuais.

Os autores enfatem que o método fornece uma solução sistemática para as restrições inter-relacionadas de negação de sinal, ruído não-Gaussiano e falhas suaves de sensores. Eles alegam que a abordagem é particularmente adequada para aplicações de alta precisão que exigem posicionamento contínuo e confiável onde sistemas de estrutura fixa tradicionais falham.

Limitações Reconhecidas:
O artigo nota modestamente algumas limitações:

• Sensibilidade de Parâmetros: O desempenho depende de um ajuste cuidadoso de parâmetros (ex: fronteiras de pertinência, coeficientes de decaimento), embora a análise de sensibilidade forneça intervalos recomendados.
• Carga Computacional: O módulo atenção-LSTM (8,5 ms) pode desafiar plataformas embarcadas de recursos limitados sem otimização (ex: poda/pruning).
• Dependência de Treinamento: O modelo LSTM foi treinado em ambientes específicos; o desempenho em domínios significativamente diferentes (ex: marítimo, off-road) pode exigir aprendizado por transferência.
• Simulação vs. Realidade: Embora dados do mundo real tenham sido usados para treinamento e validação básica, os cenários de ruído não-Gaussiano e falha suave foram simulados. Testes de campo adicionais com injeção de falha controlada estão planejados.
• Escopo de Comparação: Devido à complexidade de implementação, comparações quantitativas com Otimização de Grafo de Fatores e Métodos Bayesianos Variacionais não foram incluídas neste estudo.