Устойчивость к GPS-глушениям и спуфингу имеет решающее значение для военных приложений, и на протяжении многих лет изучались многочисленные альтернативные методы навигации.
Для достижения успеха военной миссии точная и надёжная информация о местоположении, навигации и синхронизации (PNT) имеет жизненно важное значение. Но системы абсолютного позиционирования типа «серебряная пуля» (т.е. панацея), которая может заменить GPS и возможности, которые она предлагает, ещё в природе не существует, а альтернативы, которые доступны, зависят от платформы/датчика.
Наиболее перспективные системы включают в себя вспомогательные датчики, такие как зрение (активный LiDAR, пассивная EO/ИК-камера), датчики скорости воздуха/колеса и другие датчики (магнитометр, барометр). На них распространяются обычные практические требования для интеграции в систему PNT, включая реконфигурируемость (plug & play), устойчивость к помехам, уровень автономии, осуществимость развёртывания, вычислительную нагрузку, задержку и компенсацию, взаимозависимость, эффективность и доступность.
Термин «интеллектуальный» представляет собой переход от обычных относительных вспомогательных датчиков к динамической навигации с использованием знаний о динамике движения транспортного средства. В этом контексте виртуальное измерение – это наполненная знаниями интерпретация входного пространства, которая, при коллективном использовании, может создавать восприятие пространства более высокого уровня.
Из-за сложности сбора таких знаний для разных платформ, работающих в разных средах с разными сценариями, логическим шагом является создание среды моделирования для обучения виртуального помощника. Эта среда должна быть способна моделировать динамику транспортного средства, среду, создавать различную динамику движения.
Основным вкладом этих виртуальных датчиков является помощь наземным и морским платформам. Для более динамичных платформ, таких как самолёты, был разработан помощник с виртуальной скоростью. Для экспериментальных испытаний были проведены различные симуляционные и реальные испытания.
Контролируемый агент машинного обучения, такой как нейросеть, может быть использован для изучения улучшенной прямой функции и получения дополнительных доменных знаний о динамике транспортного средства на основе слияния наблюдаемых переменных и оптимально оценённых скрытых. Эта работа исследует векторные пространства признаков и их различные преобразования для решения проблем «проклятия размерности», застревания в локальных минимумах, времени переобучения и сходимости. Фильтр Калмана отделяет сигнал от шума, распространяет знания о состоянии на основе предварительно запрограммированных моделей поведения динамической системы, оптимально оценивает обратную функцию скрытых, причинно-следственных, независимых переменных от наблюдаемых, зависимых и является де-факто стандартом в навигации и обработке наведения, но остается уязвимым в условиях недоступности GPS.
В военных целях внешние датчики, используемые для помощи инерциальным подразделениям, приняли различные формы, включая доплеровский радар, камеру и звёздные трекеры. Поскольку GPS не требует динамической модели, навигационный пакет IMU/GPS не зависит от кинематики транспортного средства. Показано, что скорость роста ошибки в оценках местоположения, полученных от IMU, может быть существенно снижена при использовании модели транспортного средства с ограничениями движения. Это явно ценно, когда внешняя информация, например, от GPS, недоступна в течение длительных периодов времени из-за ухудшения сигнала и отключений.
Помимо авиатранспортных средств, планируемая экологическая подготовка может быть распространена на современную войну военно-морского флота и корпуса морской пехоты, учитывая более широкое использование беспилотных судов. Кроме того, бортовые инерциальные навигационные системы страдают от мгновенных случайных движений, присущих морской среде, которые усложняют систему, включая разницу между фактической динамикой, ощущаемой IMU, и прогнозируемой динамикой, которая представляет собой немоделированные морские движения. Другой аспект этой подготовки предназначен для спешенных боевых бойцов, где различные движения человека/динамика имитируются и используются для обучения AI/ML, на основе которого можно определить модель передвижения.
Виртуальное измерение – это вычислительное восприятие, сформированное из состава входов датчиков, которые могут видеть особенности входного пространства более высокой размерности. Использование виртуального зондирования даёт новый взгляд на окружающую среду и генерирует новые сигналы с целью помощи в навигации.
Итак, предварительно запрограммированные знания динамики транспортных средств могут помочь в восприятии признаков из ограниченных наблюдений. Контролируемый агент машинного обучения, такой как нейросеть, может быть использован для изучения улучшенной прямой функции и получения дополнительных доменных знаний о динамике транспортного средства на основе слияния наблюдаемых переменных и оптимально оцененных скрытых. Интеграция виртуальных вспомогательных датчиков способствует повышению отказоустойчивости PNT. Система может поддерживать гибкую и масштабируемую архитектуру для выполнения миссий на различных процессорах на любой платформе в любой среде с акцентом на сценарии, отрицаемые GPS. Архитектура расширяется до новых измерений датчиков и масштабируется для поддержки обработки в режиме реального времени по целому ряду возможностей процессора.
Источник: http://vestnik-glonass.ru/news/tech/metody-virtualnoy-pomoshchi-gpsalternativy-dlya-garantirovannogo-pnt/
