Содержание работы:

При разработке алгоритмов навигационных систем традиционными способами возникает ряд проблем, которые довольно сложно решить алгоритмически.

Одна из проблем состоит в том, что при повышении точности системы за счет использования более точной, нелинеаризованной модели погрешностей резко повышается размерность системы. Это происходит из-за того, что модели погрешностей гироскопов и акселерометров имеют следующий вид:

где      B_ii - ошибки масштабных коэффициентов,

B_ij (i ¹ j) - ошибки установки осей чувствительности гироскопов относительно осей приборного базиса,

B_io - постоянные составляющие дрейфов гироскопов,

K_ij - погрешности от небаланса гироскопов.

где A_ii - ошибки масштабных коэффициентов,

      A_ij (i ¹ j) - ошибки установки осей чувствительности акселерометров относительно осей приборного базиса,

      A_io - погрешности смещения нулей акселерометров.

При использовании традиционных методов повышения точности навигационной системы обычно используется метод фильтрации Калмана и его модификации. Для данной неполной модели погрешностей размерность фильтра Калмана равняется 42. При добавлении же новых компонент погрешностей, например, погрешностей от одновременно действующих ускорений по разным осям, размерность фильтра Калмана равняется 84. При такой размерности системы трудно определить адекватность построенной математической модели, так как это потребует очень большого объема экспериментальных данных. Но если построенная модель и окажется адекватной, то для ее работы понадобятся  большие вычислительные мощности.

Другая проблема заключается в том, что коэффициенты A_ij, B_ij и K_ij можно определить только тогда, когда система находится в стационарном режиме (n и w равны нулю). При работе системы в динамическом режиме эти коэффициенты зависят от параметров полета и они неизвестны.

Еще одной проблемой является использование приведенных моделей погрешностей в алгоритмах работы микромеханических инерциальных навигационных систем. Дело в том, что из-за своих миниатюрных размеров на выходные навигационные параметры влияют факторы, которые ничтожно малы для традиционных датчиков. Из-за этого погрешности микромеханических инерциальных навигационных систем являются сложной нелинейной функцией многочисленных параметров. Поэтому модель погрешностей микромеханической инерциальной навигационной системы очень сложно построить аналитически, а, зачастую, это и невозможно.

Таким образом, образовался круг проблем, которые невозможно (или очень сложно) решить традиционными способами. Поэтому необходим поиск новых, нетрадиционных путей решения. Одним из таких путей является использование аппарата нейронных сетей. Благодаря присущим им свойствам отпадает необходимость составления аналитической модели и, следственно, отпадают проблемы, связанные с увеличением размерности системы и невозможностью аналитической записи модели погрешностей микромеханических инерциальных навигационных систем. Используя дообучение нейронных сетей во время работы, можно решить и проблему изменяющихся коэффициентов в динамическом режиме работы.

Можно решать эти проблемы по отдельности, но существует объединенный подход к решению этих задач. Он состоит в том, что в основном режиме работы на вход нейросети подаются навигационные параметры, параметры ориентации и сигналы измерения, на выходе получаются навигационные параметры и параметры ориентации на следующий момент времени. При обучении нейросети на ее вход подаются вектора, сформированные не из идеальных значений параметров, а из измеренных, т.е. содержащих ошибки измерения. Выход нейросети настраивается на точные значения параметров навигации, получаемые от более точного, чем ИНС, измерителя, например, спутниковой навигационной системы. Таким образом, такая модель позволяет учитывать инструментальные погрешности гироскопов и акселерометров с любой точностью, используя при этом как линеаризованные модели ошибок, так и нелинеаризованные. Это позволяет существенно повысить точность навигационных систем без привлечения больших вычислительных мощностей.

Last updated: ноября 16, 2000.