Towards Learning-Based Gyrocompassing

要約

慣性航法システム (INS) は、有人プラットフォームと自律プラットフォームの両方で広く使用されています。
運用前の最も重要なタスクの 1 つは、静止中の初期アライメントを正確に決定することです。これは、INS 運用軌道全体の基礎となるためです。
低性能の加速度計でもロール角とピッチ角 (レベリング) を簡単に決定できますが、低性能のジャイロで方位角 (ジャイロコンパッシング) を確立することは、センサーを追加しないと困難な作業であることがわかります。
これは、地球の回転速度の限られた信号強度から発生し、多くの場合、ジャイロ ノイズ自体によって無効になります。
この欠点を回避するために、この研究では、低パフォーマンスのジャイロスコープに固有のエラーを効果的に補正する実用的な深層学習フレームワークを紹介します。
その結果、ジャイロコンパス機能が有効になり、その後の長時間にわたるフィルタリング フェーズ (微調整) が不要になります。
理論の開発と実験による検証を通じて、改善された初期条件によって新しい誤差の下限が確立され、手頃な価格のジャイロがハイエンドの戦術タスクでの利用に一歩近づくことが証明されました。

要約(オリジナル)

Inertial navigation systems (INS) are widely used in both manned and autonomous platforms. One of the most critical tasks prior to their operation is to accurately determine their initial alignment while stationary, as it forms the cornerstone for the entire INS operational trajectory. While low-performance accelerometers can easily determine roll and pitch angles (leveling), establishing the heading angle (gyrocompassing) with low-performance gyros proves to be a challenging task without additional sensors. This arises from the limited signal strength of Earth’s rotation rate, often overridden by gyro noise itself. To circumvent this deficiency, in this study we present a practical deep learning framework to effectively compensate for the inherent errors in low-performance gyroscopes. The resulting capability enables gyrocompassing, thereby eliminating the need for subsequent prolonged filtering phase (fine alignment). Through the development of theory and experimental validation, we demonstrate that the improved initial conditions establish a new lower error bound, bringing affordable gyros one step closer to being utilized in high-end tactical tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google