使用人工智能方法来提高低成本集成导航系统的性能

科学领域:

• 机器人技术 机器人技术 机器人技术
• 传感器融合式传感器
• 人工智能的人工智能

背景情况:

• 惯性导航系统 (INS) 通常依赖于昂贵的MEMS惯性传感器.
• 卡尔曼波器对于INS来说是常见的,但与低成本传感器有局限性.
• 人工智能为改善INS性能提供了潜力.

研究的目的:

• 为了研究AI算法的应用到卡尔曼波器输出的低成本INS.
• 在复杂性和准确性方面比较不同AI模型 (Dense,1D-CNN,LSTM) 的性能.
• 使用人工智能增强的低成本解决方案,实现与高端MEMS惯性传感器相当的性能.

主要方法:

• 实施了基于卡尔曼波器的导航解决方案,配备了低成本的惯性传感器.
• 应用并比较各种人工智能模型:密集,一维卷积 (1D-CNN) 和长短期记忆 (LSTM) 神经网络.
• 使用根平均平方误差 (RMSE) 评估模型性能,以测量与目标导航参数的准确性.

主要成果:

• 神经网络复杂度的增加通常会导致更高的测量准确度.
• 人工智能模型展示了克服传统卡尔曼波器局限性的能力,例如对输入数据尺寸的敏感性.
• 与最先进的相比,AI增强的卡尔曼过器解决方案显示了中间行为,利用AI的能力.

结论:

• 人工智能算法可以显著提高低成本卡尔曼波器导航系统的性能.
• 不同的神经网络架构为INS提供了复杂性和准确性之间的不同权衡.
• 这种方法为实现高端惯性传感器性能提供了可行的途径,使用更容易获得的硬件.