💻 computer science

Enhancing INS/GNSS Performance with Smart Learning Estimator

本文提出了一种“智能学习估计器”（SLE），这是一种结合了 TGAN、LSTM 和 RWFNN 架构的深度学习增强型卡尔曼滤波器，通过克服传统线性滤波器的局限性，显著提升了低成本 INS/GNSS 导航系统在长时间 GNSS 信号中断期间的精度与鲁棒性。

原作者： Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Reza Safvat, Jafar Keighobadi, Morteza H. Sadeghi, Hossein Nourmohammadi

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心概览：在没有地图的情况下导航

想象你正在浓雾中驾驶一辆汽车。你有一个 GPS（就像手机上的地图）来告诉你准确的位置，但由于浓雾或高楼大厦的影响，信号不断中断。你还有一个航位推算法系统（类似于计步器和指南针）来记录你的步数并追踪你的转向。

问题所在： 如果 GPS 信号消失了，你的“计步器”虽然在几秒钟内表现出色，但它会产生微小的误差。因为它必须累加每一步的动作，这些微小的误差会迅速堆积。运行一分钟后，你的“计步器”可能会认为你身处另一个城市。这就是无人机和小型机器人所使用的低成本传感器（称为 MEMS）存在的问题。
目标： 作者想要构建一个“智能大脑”，通过学习无人机过去的运动轨迹，即使在 GPS 信号完全消失的情况下，也能推测出无人机的位置。

解决方案：“智能学习估计器”（SLE）

研究人员创建了一个名为**智能学习估计器（Smart Learning Estimator, SLE）*的新系统。你可以将这个系统想象成一位记住了成千上万种飞行模式的高级训练飞行员。这位副驾驶不仅仅是针对当前时刻做出反应，而是通过观察飞行的历史记录*来预测未来。

SLE 是一个由三个不同部分组成的“混合”引擎，它们像一个三人制维修小组一样协同工作：

1. 小波模糊滤波器（降噪耳机）

功能： 现实世界的传感器是非常杂乱的。它们会捕捉到无人机电机产生的震动、阵风和电磁静电。这就像是在嘈杂的摇滚音乐会上试图听清一段对话。
类比： 这部分的作用就像是降噪耳机。它利用“小波”（一种观察声波的数学方法）将有用的信号（无人机的实际运动）与垃圾噪声（震动）分离出来。它还使用了“模糊逻辑”，这就像人类说话时会说“不是精确的 50 度，而是有点热”，从而比僵化的数学运算能更好地处理不确定性。

2. LSTM（长期记忆）

功能： 标准的计算机程序往往会忘记几秒钟前发生的事情。但要了解你现在的位置，你需要记住一分钟前你在哪里以及你是如何到达那里的。
类比： 这是副驾驶的长期记忆。普通的计算机可能会忘记你 10 秒钟前做的转向，但这种“长短期记忆”（LSTM）网络会记录一份运行日志。它会记住事件的序列：“我们左转了，然后加速，然后俯冲。”这有助于它预测无人机在 GPS 信号消失时“应该”处于什么位置。

3. TGAN（创意模拟器）

功能： 这是最先进的部分。它是一个专为时间序列数据设计的“生成对抗网络”。
类比： 想象一个伪造大师与侦探之间的博弈游戏。
- 生成器（Generator） 试图创造一段看起来极其真实的虚假飞行历史，使其与真实情况无法区分。
- 判别器（Discriminator） 则试图识破这些伪造的内容。
- 他们反复进行这场游戏，直到生成器变得足够强大，能够创造出让判别器也无法分辨的真实飞行路径。
- 为什么这很重要： 当 GPS 信号丢失时，该系统不仅仅是在瞎猜；它会根据无人机在那种情况下“通常”的表现，生成一条高度可能的、真实的路径。它用一个在数学上非常接近现实的“最佳猜测”来填补缺失的地图数据。

他们是如何测试的

研究人员不仅是在电脑上运行这些程序，他们还使用了一架配备了这些低成本传感器的真实无人机（UAV）进行了飞行实验。

设置： 他们让无人机飞行了约 23 分钟（1400 秒）。
技巧： 他们特意关闭了 GPS 信号，并设定了不同的中断时长（例如 480 秒、580 秒和 800 秒），以观察系统在没有 GPS 的情况下导航的效果如何。
竞争： 他们将这个全新的“智能学习估计器”与传统的卡尔曼滤波（传统的数学方法）和其他 AI 模型进行了对比。

测试结果

论文声称，智能学习估计器（SLE） 是明显的获胜者。

准确度： 当 GPS 被切断时，SLE 能比其他方法更准确地保持无人机的位置和速度。
数据对比： 在一次测试中，标准方法（卡尔曼滤波）产生了巨大的误差（误差达 102 米），而 SLE 的误差仅为 4.8 米左右。这是一个巨大的进步（大约提升了 40-50%）。
复杂动作： 当无人机进行复杂的动作（转向、加速、减速）时，该系统表现尤为出色。这个“智能大脑”比旧系统中僵化的数学模型更能预测这些复杂的运动。

权衡

论文承认这并非没有代价。这个“智能大脑”很“重”。与使用旧系统中简单的数学运算相比，它需要更多的计算能力来运行。

结论： 作者认为，对于高要求的任务——例如精准农业无人机（喷洒农药）、城市中的物流无人机或军事引导——为了确保无人机不迷失方向，投入额外的计算能力是值得的。

总结

简而言之，作者构建了一个结合了降噪、长期记忆和创意模拟的导航系统，帮助低成本无人机在 GPS 信号消失时找到方向。这就像是给无人机配备了一位飞行员，他已经对飞行规则了如指掌，以至于即使在失去地图的情况下，也能在风暴中穿行自如。

技术摘要：通过智能学习估计器增强 INS/GNSS 性能

问题陈述
将全球导航卫星系统 (GNSS) 与惯性导航系统 (INS) 相结合是减轻位置、速度和姿态估计中固有漂移的标准策略。然而，在使用低成本微机电系统 (MEMS) 传感器时，这种依赖性变得至关重要，因为未补偿的偏差和随机噪声会导致误差呈指数级累积。虽然 GNSS 提供绝对定位，但它容易受到信号遮挡、阻断以及低刷新率（通常最高为 5 Hz）的影响。在 GNSS 中断期间，传统的集成方法——主要是卡尔曼滤波器 (KF) 及其变体（如 EKF、UKF）——难以维持精度。这些传统滤波器通常依赖于线性化动力学和高斯噪声假设，无法捕捉 MEMS 传感器在长时间信号中断期间所固有的复杂非线性动力学和长期时间依赖性。此外，标准的循环神经网络 (RNN) 受限于梯度消失或梯度爆炸问题，限制了其建模长程序列数据的能力。

方法论：智能学习估计器 (SLE)
为了解决这些局限性，作者提出了一种“智能学习估计器”（Smart Learning Estimator, SLE），这是一种深度学习增强的卡尔曼滤波范式。SLE 的核心是一个被命名为 TGAN-LSTM-RFW-KF 的十四层混合架构。该架构集成了三个主要组件，用于建模非线性动力学和长期依赖关系：

时间序列生成对抗网络 (TGAN)： 该模块旨在学习 INS/GNSS 数据的底层分布并重建潜在特征。它利用生成器、判别器、嵌入网络和恢复网络来捕捉传感器误差的复杂多模态概率分布。它采用三种损失函数（监督损失、重构损失和无监督损失）以确保模型既能学习时间动力学，又能学习数据的结构表示。
长短期记忆网络 (LSTM)： 集成 LSTM 是为了克服标准 RNN 的局限性，其利用门控机制（输入门、遗忘门和输出门）来选择性地保留长序列中的显著信息。这使得系统能够捕捉飞行器运动历史中的长程时间依赖关系。
循环模糊小波神经网络 (RFWNN)： 该组件将模糊逻辑系统与小波神经网络相结合。模糊推理机制负责处理复杂的非线性动力学，而小波分解（使用墨西哥帽基函数）则提供了对局部变化和噪声抑制的精确估计。RFWNN 充当智能预处理器，在信号进入深度学习层之前对其进行去噪并处理不确定性。

操作流程
系统以两种不同的模式运行：

训练模式（GNSS 可用）： 当 GNSS 信号稳定时，系统使用卡尔曼滤波器融合 INS 和 GNSS 数据。由此产生的误差状态（INS 与 GNSS 之间的差异）作为地面真值目标。TGAN-LSTM-RFW 网络在分批数据上进行训练，使用源自 INS 的速度、位置和比力作为输入来预测相应的误差。模型更新其突触权重，以封装导航知识。
预测模式（GNSS 中断）： 在信号中断期间，系统切换到预测模式。收敛后的 TGAN-LSTM-RFW 模型以当前和历史的 INS 数据为输入，合成模拟的地理坐标和速度误差。这些预测的误差随后被反馈到卡尔曼滤波器中以修正导航解，从而有效地填补从 GNSS 信号恢复前的空白。

核心贡献

混合架构： 本文引入了一种全新的 14 层架构，在卡尔曼滤波框架内协同结合了 TGAN、LSTM 和 RFWNN。这解决了标准 KF（在线性和高斯假设）在高噪声和低更新频率下的特定约束。
长程依赖建模： 通过利用 LSTM 和 TGAN，该方法有效地缓解了传统滤波器和简单 RNN 无法建模 INS 漂移中长期序列依赖性的问题。
噪声鲁棒性： 小波组件的引入允许将信号分解为不同的频带，从而将高频传感器噪声（热噪声、振动）与有用的运动数据分离，从而增强了在湍流条件下的性能。
现实世界验证： 该方法通过配备 MEMS IMU 和 Garmin GNSS 接收器的无人机 (UAV) 真实飞行数据进行了验证，而非仅仅依赖于合成数据。

实验结果
SLE 与多种基准算法进行了评估，包括标准 KF、前馈时延神经网络 (FTDNN)、NARX、RFWNN、GRU 以及独立的 LSTM-RFW-KF 模型。评估采用了位置（经纬度）和速度（北/东）误差的均方根误差 (RMSE) 指标，针对不同持续时间的人工 GNSS 中断（分别从 480 秒、580 秒和 800 秒开始）。

性能： SLE 在所有测试场景中始终实现了最低的 RMSE 值。例如，在 480 秒的中断期间，SLE 将速度误差 RMSE 降低至 $1.07 \times 10^1$ ，显著优于标准 KF ( $1.77 \times 10^2$ ) 和其他神经网络变体。
机动敏感性： SLE 的优越性在复杂、动态和旋转机动期间尤为明显，此时传统滤波器和较简单的神经网络表现出更高的误差累积。
精度增益： 作者报告称，与基准方法相比，在长时间 GNSS 中断期间，精度提升了约 40–50%。

意义与主张
本文声称，智能学习估计器成功地将估计范式从“瞬时反应”转变为“基于近期运动上下文的预测”。通过利用深度学习来建模潜在数据动力学和长期依赖关系，SLE 能够在长时间 GNSS 信号中断期间实现精确的轨迹重建和持续的精度保持。作者指出，虽然该模型带来了更高的计算负担，但现代边缘计算硬件（如 Texas Instruments AM69A 处理器）使实时实现成为可能。这项工作将该方法定位为需要高安全性与高可靠性应用的稳健解决方案，特别提到了精准农业无人机、自主导航和城市包裹递送等领域，在这些领域中，在 GNSS 受限的环境下保持导航保真度至关重要。