نرجس خيري

Improving the Accuracy of a Low-Cost Attitude an‎d Heading Reference System (AHRS) Using Artificial Intelligence

سامانه‌هاي مرجع وضعيت و جهت‌گيري (AHRS) به‌طور گسترده در كاربردهايي نظير ناوبري و رباتيك براي تخمين پيوسته‌ي وضعيت فضايي اجسام مورد استفاده قرار مي‌گيرند. اين سامانه‌ها معمولاً بر پايه‌ي داده‌هاي حسگرهاي اينرسي عمل مي‌كنند، اما در نسخه‌هاي كم‌هزينه، عملكرد آن‌ها به‌شدت تحت تأثير نويز اندازه‌گيري، رانش ژيروسكوپ و اغتشاشات محيطي قرار دارد كه موجب كاهش دقت و پايداري تخمين وضعيت فضايي مي‌شود. ازاين‌رو، ارائه‌ي روشي مؤثر براي بهبود دقت و قابليت اطمينان سامانه‌هاي AHRS بدون افزايش هزينه و پيچيدگي سخت‌افزاري، از اهميت بالايي برخوردار است. در اين پژوهش، يك چارچوب كاملاً داده‌محور مبتني بر يادگيري عميق براي بهبود تخمين وضعيت فضايي با تمركز بر زاويه سمت (Yaw) با استفاده از داده‌هاي IMU كم‌هزينه ارائه شده است. در اين چارچوب، داده‌هاي حسگر كم‌هزينه به‌عنوان ورودي و خروجي يك حسگر اينرسي دقيق به‌عنوان مرجع آموزشي مورد استفاده قرار گرفت. بدين منظور، سه معماري يادگيري عميق شامل شبكه‌هاي LSTM ، كانولوشني يك‌بعدي (1D-CNN) و كانولوشني ترتيبي زماني(TCN) طراحي و پياده‌سازي شدند. آموزش مدل‌ها با استفاده از تابع هزينه‌ي مبتني بر خطاي كواترنيوني انجام شد. به‌منظور ارزيابي عملكرد و قابليت تعميم‌پذيري مدل‌ها، دو سناريوي صحت سنجي Half–Half و Leave-One-Out در نظر گرفته شد. نتايج تجربي نشان داد كه استفاده از مدل‌هاي يادگيري عميق موجب بهبود معنادار دقت تخمين وضعيت نسبت به خروجي خام IMU كم‌هزينه مي‌شود. در سناريوي Half–Half، شبكه‌ي LSTM بهترين دقت كلي را ارائه داد. همچنين، در سناريوي Leave-One-Out، آموزش مستقل با شبكه CNN نسبت به راهبردهاي مبتني بر يادگيري انتقالي، تعميم‌پذيري بهتري در مواجهه با داده‌هاي ديده‌نشده نشان داد. در مجموع، نتايج اين پژوهش نشان مي‌دهد كه روش مبتني بر يادگيري عميق ظرفيت بهبود دقت را دارد.

حسگرهاي اينرسي , كواترنيون , زاويه Yaw , يادگيري عميق