先进的导航高精度MEMS和基于fog导航技术的开发者，发布了以下文章，概述了基于人工智能的过滤新方法如何推动惯性导航行业的发展。
自20世纪60年代首次提出以来，卡尔曼滤波器一直被广泛用于制导和导航应用。它经历了许多调整，旨在改进基本实现，如扩展KF或Unscented KF。近年来，一种基于人工智能神经网络(ANN)处理的滤波新方法取得了重大突破，将惯性导航行业推向了一个新时代。
直到最近，惯性导航人工智能应用领域的具体成果还很少，直到2012年高级导航进入该领域，将一篇大学论文中的融合神经网络商业化。
随着GNSS干扰和欺骗技术的广泛使用，赌注甚至更高，迫使国防部队放弃仅提供GNSS位置信息的解决方案，而是迅速采用需要更高精度和更好的航向计算性能的惯性导航系统(INS)解决方案。
人工神经网络(ANN)是如何工作的?
在其核心，人工神经网络具有自我学习能力，使其能够随着时间的推移，随着更多的数据可用，将来自各种传感器的输入转化为更好的结果输出。
更准确地说，典型的人工神经网络会经历两个不同的阶段。
- 在初始阶段，组成人工神经网络的处理单元被“教授”一组用于指导其结果的学习规则，通过将其实际输出与期望输出进行比较来识别数据中的模式。
- 在第二阶段，校正(称为反向传播)应用于实际数据以实现所需的输出。
Advanced Navigation的解决方案依赖于长期/短期记忆(或LSTM) AI原理，非常适合根据重要事件之间可变持续时间的传感器数据进行分类、处理和预测。
由于LSTM在较长的时间跨度上运行，因此相对于通常与卡尔曼滤波器相关的隐马尔可夫模型，它对间隙长度相对不敏感。
高级导航的人工神经网络依赖于三种类型的内存:
- 在实验室中，由于在各种环境中进行了许多小时的测试，长期学习被硬编码在推理引擎中。
- 在该领域，短期学习的作用是每秒钟更新两次推理引擎中的模型。这种学习更受约束，提供了我们所说的“中等”水平的学习。
- 每分钟一次的深度学习对所有传感器数据进行操作，对系统进行自我建模，以便对所学习的模型进行最复杂的更新。
比较传统滤波和人工神经网络
处理过程中常见的错误有两种:
- 确定性误差(偏差、比例因子误差和非正交误差)
- 随机误差(不稳定性和噪声)
工厂温度校准能够解释大多数传感器误差，但是需要实时传感器误差估计来解释剩余的误差，这对系统的精度至关重要。
由于任何惯导系统都有相当多的传感器输入，预计需要进行合理的滤波、计算和积分，以连续确定当前位置和速度。
传统滤波器在纠正这些错误方面面临局限性，为人工神经网络解决方案打开了填补空白的大门。
传统的扩展卡尔曼滤波器跟踪传感器误差的延迟基于缓慢的滤波器更新。人工神经网络滤波器的优点是传感器误差跟踪更快，由于它使用了所有可用数据，因此明显更准确。
首先，人工神经网络滤波器具有远优于传统滤波器的完整性监测功能，允许它在更深层次上拒绝错误测量并调整不一致数据的精度。这使系统在错误数据输入系统的困难条件下具有更大的性能。在城市峡谷或墙壁附近等多路径GNSS环境中，性能的提升尤其明显。
其次，对于传统的基于卡尔曼滤波的系统，车辆轮廓对不同传感器输入的位置、速度和加速度施加基本约束，从而对车辆运动进行建模。相比之下，当使用人工神经网络时，车辆轮廓应用更全面的动态运动模型约束，可以更好地跟踪错误，获得更可靠的数据和更高的精度。
先进的导航优势
在实践中，开发一个高度约束的AI融合神经网络模型并不像人们想象的那么简单。
它是通过严格的过程和多年的实验室和实地研究才实现的，从2007年大学开始，开发一个高度受限的定制神经网络，建立训练模式并建立大量数据。
如果人工智能模型没有通过自定义神经网络设计方法受到约束，它将导致不可预测的结果，并需要更高水平的处理。事实上，与传统的KF方法相比，它可能无法提供任何净收益。
由于实现了这样一个高度受限的人工智能学习模型，有可能在高端微处理器上开发我们的INS产品，这些微处理器的功耗相对较低。
此外，所有先进导航IMU和INS产品都以1000 Hz的高内部滤波速率运行，以便在最苛刻的应用中提供高动态性能。
所有这些突破性的创新带来了具有市场竞争力的尺寸、重量和功率的解决方案。
实地测试
先进导航公司的人工神经网络过滤器已经在澳大利亚新南威尔士州进行了测试，将空间FOG与基于GNSS的参考系统进行了8小时17分钟的旅行，行程范围为558公里，海拔变化为800米。
如下图所示，红色表示的基于gnss的参考系统和蓝色表示的空间FOG系统非常接近。事实上，总误差仅代表行进距离的0.1%。
前途光明
人工神经网络为现有的惯性导航应用和规范提供了一种新的方法，在每个性能级别上降低SWaP-C。
此外，这种能力与MEMS技术的小型化相结合，性能不断提高，将允许新的应用程序出现，并降低各行业对GNSS干扰和欺骗的敏感性。
