ІМІТАЦІЙНЕ МОДЕЛЮВАННЯ БЕЗПЛАТФОРМНОЇ ІНЕРЦІАЛЬНОЇ НАВІГАЦІЙНОЇ СИСТЕМИ БПЛА НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ АЛГОРИТМІВ

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- і малих БпЛА з подальшим підкріпленням припущень в середовищі імітаційного моделювання, що дозволило: по-перше, зімітувати роботу системи управління БпЛА на базі МЕМС-технології (використання Мікроелектромеханічних систем) та мікрокомп’ютерів Arduino та відслідкувати її роботу під час зникнення GPS-сигналу; по-друге, експериментально визначити характер впливу структури вибраної нейронної мережі на процес формування навігаційних даних. 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 порівняно з алгоритмом WANN – RNN – Madgwick. Однак, необхідно зазначити, що точність навчання покращувалась зі зростанням кількості нейронів в структурі прихованого рівня <500, що підвищує обчислювальну складність та збільшує час процесу навчання, що може ускладнити практичну реалізацію із використанням обладнання мікро- та малих БпЛА.

Посилання

1. Fendy Santoso, Matt Garratt, Anavatti, S.G. (2018). State-of-the-art intelligent flight control systems in unmanned aerial vehicles. IEEE Transactions on Automation Science and Engineering, Volume: 15, Issue: 2, April 2018, 613-627. https://doi.org/10.1109/TASE.2017.2651109.
2. Yimin Zhou, Jiao Wan, Zhifei Li, Zhibin Song.(2017). GPS/INS integrated navigation with BP neural network and Kalman filter. 2017 IEEE International Conference on Robotics and Biomimetics (ROBIO), Date Added to IEEE Xplore: 26 March 2018. https://doi.org/10.1109/ROBIO.2017.8324798.
3. Sun, W. He, W. Ge, and C. Chang. (2017). Adaptive neural network control of biped robots. IEEE Transactions on Systems, Man, and Cybernetics: Systems, Volume: 47, Issue: 2, 2017, 315–326. https://doi.org/10.1109/TSMC.2016.2557223.
4. Веремеенко К. К., Красильщиков М. Н., Сыпало К. А. (2008). Управление и наведение беспилотных маневренных летательных аппаратов на основе современных информационных технологий. Москва: Физматлит.
5. Ding, S., Ma, G., Shi, Z. (2014). A rough RBF neural network based on weighted regularized extreme learning machine. Neural processing letters, vol. 40, no. 3, 245–260. View at: https://link.springer.com/article/10.1007/s11063-013-9326-5.
6. Xiaoji Niu, Sameh Nassar, Naser El-Sheimy. (2007). An accurate land-vehicle MEMS IMU/GPS navigation system using 3D auxiliary velocity updates. Navigation, 54(3): September 2007, 177–188. https://doi.org/10.1002/j.2161-4296.2007.tb00403.x.
7. Фесенко О. Д., Бєляков Р. О., Радзівілов Г. Д., Гулій В. С. Експериментальний аналіз застосування нейронних мереж для керування траекторією польоту БпЛА // Збірник наукових праць ВІТІ. 2020. № 1. Дата доступу 02.02.2022. URL: http://www.viti.edu.ua/files/zbk/2020/11_1_2020.pdf.
8. Тихонов В. А. Нейросетевая модель алгоритма бесплатформенной инерциальной навигационной систем / Мат. 3 Межд. симп. Аэрокосмические приборные технологии, 2–4 июня 2004 г. С. 47–50.
9. Fakharian, A., Gustafsson, T., Mehrfam, M. (2011). Adaptive kalman filtering based navigation: an IMU/GPS integration approach. IEEE conference on networking, sensing and control 2011, 181–185.
10. Jiang, S. Chen, Y. Chen et al. (2018). A MEMS IMU de-noising method using long short term memory recurrent neural networks (LSTM-RNN). Sensors, vol. 18, no. 10, 3470, 2018. View 02.02.2022. https://www.mdpi.com/1424-8220/18/10/3470.
11. Gross, J., Gu, Y., Gururajan, S., et al. (2013). A comparison of extended kalman filter, sigma-point kalman filter, and particle filter in GPS/INS sensor fusion. AIAA Guidance, Navigation, & Control Conference. View at: https://arc.aiaa.org/doi/10.2514/6.2010-8332.
12. Tianjun Liu, Xinglong Tan, Jian Wang, Yipeng Ning. (2018). An optimal radial basis function neural network enhanced adaptive robust Kalman filter for GNSS/INS integrated systems in complex urban areas. Sensors 2018, 18 (9), 3091. https://doi.org/10.3390/s18093091.
13. Elsken Thomas, Metzen Jan Hendrik, Hutter Frank (2019). Neural architecture search: A Survey. Journal of Machine Learning Research. 20 (55), 1–21. View at: https://www.jmlr.org/papers/volume20/
    18-598/18-598.pdf.
14. Adam Gaier, David Ha. (2019). Weight agnostic neural networks. Submitted on 11 Jun 2019 (v1), last revised 5 Sep 2019 (this version, v2). View at: https://arxiv.org/abs/1906.04358.
15. Itay Hubara, Matthieu Courbariaux, Daniel Soudry, Ran El-Yaniv, Yoshua Bengio. (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.