Simulation of platform-free inertial navigation system of unmanned aerial vehicles based on neural network algorithms

Роберт Олегович Бєляков

doi:10.15587/2706-5448.2021.225282

Автор(и)

Роберт Олегович Бєляков Військовий інститут телекомунікацій та інформатизації імені Героїв Крут, Україна https://orcid.org/0000-0001-9882-3088

DOI:

https://doi.org/10.15587/2706-5448.2021.225282

Ключові слова:

нейронна мережа, траєкторія польоту, точність навчання нейронної мережі, імітаційне моделювання, навігаційні дані

Анотація

Об’єктом дослідження є процес керування траєкторією безпілотних літальних апаратів (БПЛА) в автономному режимі польоту на основі нейромережевих алгоритмів. Проведене дослідження базується на застосуванні чисельно-аналітичного підходу вибору сучасних технічних рішень побудови типових моделей безплатформних інерціальних навігаційних систем (БІНС) для мікро- та малих БПЛА з подальшим підкріпленням припущень. Результати імітаційного моделювання в середовищі Matlab дозволило зімітувати процес роботи системи управління БПЛА на базі МЕМС-технології (використання мікроелектромеханічних систем) та мікрокомп’ютерів Arduino. Також вдалось експериментально визначити характер впливу структури вибраної нейронної мережі на процес формування навігаційних даних під час зникнення GPS сигналу. Таким чином, для оцінки ефективності запропонованих рішень із побудови БІНС було проведено порівняльний аналіз застосування двох алгоритмів ELM (Extreme Learning Machine) – Kalman та WANN (Wavelet Artificial Neural Network) – RNN (Recurrent Neural Network) – Madgwick у вигляді двох експериментів. Метою експериментів було визначено: дослідження впливу кількості нейронів прихованого рівня нейронної мережі на точність апроксимації навігаційних даних; визначення швидкості процесу адаптивного навчання нейромережевих алгоритмів БІНС БПЛА. Результат експериментів показав, що застосування алгоритму на основі ELM – Kalman забезпечує кращу точність навчання нейромережі БІНС в порівнянні з алгоритмом WANN – RNN – Madgwick. Однак необхідно зазначити, що точність навчання покращувалась із зростанням кількості нейронів в структурі прихованого рівня <500, що підвищує обчислювальну складність та збільшує час процесу навчання. Це може ускладнити практичну реалізацію із використанням обладнання мікро- та малих БПЛА. Крім того, завдяки проведеному імітаційному моделюванню, результат дослідження застосування запропонованих нейромережевих алгоритмів для заміни вхідних даних замість сигналів GPS на вхід БІНС, дозволив оцінити похибку позиціювання під час зникнення сигналів GPS. Також застосування алгоритму WANN – RNN – Madgwick дозволяє апроксимувати та екстраполювати вхідні сигнали навігаційних параметрів в динамічному середовищі, при цьому відбувається процес адаптивного навчання в реальному часі.

Біографія автора

Роберт Олегович Бєляков, Військовий інститут телекомунікацій та інформатизації імені Героїв Крут

Кандидат технічних наук

Кафедра технічного та метрологічного забезпечення

Посилання

Santoso, F., Garratt, M. A., Anavatti, S. G. (2018). State-of-the-Art Intelligent Flight Control Systems in Unmanned Aerial Vehicles. IEEE Transactions on Automation Science and Engineering, 15 (2), 613–627. doi: http://doi.org/10.1109/tase.2017.2651109
Zhou, Y., Wan, J., Li, Z., Song, Z. (2017). GPS/INS integrated navigation with BP neural network and Kalman filter. 2017 IEEE International Conference on Robotics and Biomimetics (ROBIO). doi: http://doi.org/10.1109/robio.2017.8324798
Sun, C., He, W., Ge, W., Chang, C. (2017). Adaptive neural network control of biped robots. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 47 (2), 315–326. doi: http://doi.org/10.1109/tsmc.2016.2557223
Veremeenko, K. K., Krasilschikov, M. N., Sypalo, K. A. (2008). Upravlenie i navedenie bespilotnykh manevrennykh letatelnykh apparatov na osnove sovremennykh informatsionnykh tekhnologii. Moscow: Fizmatlit, 211–219.
Ding, S., Ma, G., Shi, Z. (2013). A Rough RBF Neural Network Based on Weighted Regularized Extreme Learning Machine. Neural Processing Letters, 40 (3), 245–260. doi: http://doi.org/10.1007/s11063-013-9326-5
Niu, X., Nassar, S., El-Sheimy, N. (2007). An Accurate Land-Vehicle MEMS IMU/GPS Navigation System Using 3D Auxiliary Velocity Updates. Navigation, 54 (3), 177–188. doi: http://doi.org/10.1002/j.2161-4296.2007.tb00403.x
Fesenko, O., Bieliakov, R., Radzivilov, G., Huliy, V. (2020). Experimental analysis of possibilities of application of neural networks for a management by the trajectory of flight of UAV. Zbirnyk naukovykh prats VITI, 1, 97–112. Available at: http://www.viti.edu.ua/files/zbk/2020/11_1_2020.pdf
Tikhonov, V. A. (2004). Neirosetevaia model algoritma besplatformennoi inertsialnoi navigatsionnoi sistem. Aerokosmicheskie pribornye tekhnologii, 47–50.
Fakharian, A., Gustafsson, T., Mehrfam, M. (2011). Adaptive Kalman filtering based navigation: An IMU/GPS integration approach. 2011 International Conference on Networking, Sensing and Control, 181–185. doi: http://doi.org/10.1109/icnsc.2011.5874871
Jiang, C., Chen, S., Chen, Y., Zhang, B., Feng, Z., Zhou, H., Bo, Y. (2018). A MEMS IMU De-Noising Method Using Long Short Term Memory Recurrent Neural Networks (LSTM-RNN). Sensors, 18 (10), 3470. doi: http://doi.org/10.3390/s18103470
Gross, J., Gu, Y., Gururajan, S., Seanor, B., Napolitano, M. (2010). A Comparison of Extended Kalman Filter, Sigma-Point Kalman Filter, and Particle Filter in GPS/INS Sensor Fusion. AIAA Guidance, Navigation, and Control Conference. doi: http://doi.org/10.2514/6.2010-8332
Ning, Y., Wang, J., Han, H., Tan, X., Liu, T. (2018). An Optimal Radial Basis Function Neural Network Enhanced Adaptive Robust Kalman Filter for GNSS/INS Integrated Systems in Complex Urban Areas. Sensors, 18 (9), 3091. doi: http://doi.org/10.3390/s18093091
Thomas, E., Hendrik, M. J., Frank, H. (2019). Neural architecture search: A Survey. Journal of Machine Learning Research, 20 (55), 1–21. Available at: https://www.jmlr.org/papers/volume20/18-598/18-598.pdf
Gaier, A., Ha, D. (2019). Weight agnostic neural networks. Available at: https://arxiv.org/abs/1906.04358
Hubara, I., Courbariaux, M., Soudry, D., El-Yaniv, R., Bengio, Y. (2018). Quantized neural networks: training neural networks with low precision weights and activations. Journal of Machine Learning Research, 18, 1–30. View at: https://jmlr.org/papers/v18/16-456.html
Lashley, M., Bevly, D. M., Hung, J. Y. (2009). Performance Analysis of Vector Tracking Algorithms for Weak GPS Signals in High Dynamics. IEEE Journal of Selected Topics in Signal Processing, 3 (4), 661–673. doi: http://doi.org/10.1109/jstsp.2009.2023341
Cao, Y., Jia, F., Jiang, X., Zhang, Q. (2019). Prediction of SINS/GPS Navigation Information by ELM Algorithm during GPS outages. IOP Conference Series: Materials Science and Engineering, 612, 032002. doi: http://doi.org/10.1088/1757-899x/612/3/032002
Zhao, J., Wang, Z., Park, D. S. (2012). Online sequential extreme learning machine with forgetting mechanism. Neurocomputing, 87, 79–89. doi: http://doi.org/10.1016/j.neucom.2012.02.003
Bieliakov, R. O., Radzivilov, H. D., Fesenko, O. D., Vasylchenko, V. V., Tsaturian, O. G., Shyshatskyi, A. V., Romanenko, V. P. (2019). Method of the intelligent system construction of automatic control of unmanned aircraft apparatus. Radio Electronics, Computer Science, Control, 1, 218–229. doi: http://doi.org/10.15588/1607-3274-2019-1-20