Метод опорных векторов для определения углов Эйлера в инерциальной навигационной системе

от

А.Н. Греков1, 2, А.А. Кабанов2, С.Ю. Алексеев1

 1Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

2Севастопольский государственный университет, РФ, г. Севастополь, ул. Университетская, 33

E—mail: oceanmhi@ya.ru

DOI: 10.33075/2220-5861-2021-4-134-142

УДК 004.852

Реферат:

   В работе рассмотрено улучшение точности инерциальной навигационной системы, созданной на основе MEMS датчиков с использованием методов машинного обучения (МО). В качестве входных данных для классификатора использовалась информация, получаемая с разработанной лабораторной установки с MEMS датчиками, установленных на герметичной платформе с возможностью регулировки ее углов наклона и помещенной в аквариум с водой. Для оценки эффективностей моделей построены кривые проверки с различными значениями параметров этих моделей по трем ядрам: линейное, полиномиальное и радиально-базисная функция. В качестве параметра использовался обратный параметр регуляризации, большее значение которого соответствует крупным штрафам за ошибки, тогда как выбор меньших значений означает меньшую строгость в отношении ошибок неправильной классификации.

   Применяя сложную нелинейную архитектуру метода машинного обучения на основе SVM, которая используется во многих приложениях, реализован алгоритм МО для улучшения определения углов Эйлера (крен, тангаж и рыскание) по данным MEMS датчиков. Для этого решена проблема переобучения и недообучения путем выбора оптимальных значений гиперпараметров.

   Предложенный алгоритм, основанный на МО, продемонстрировал свою способность к правильной классификации в присутствии типичного для MEMS сенсоров шума, где хорошие результаты классификации были получены при выборе оптимальных значений

   Дальнейшие исследования будут направлены на применение других алгоритмов классификации МО, а также на увеличение типов входных данных.

Ключевые слова: навигация, акселерометр, ускорение, гироскоп, магнитометр, погрешность, автономные подводные аппараты, машинное обучение, алгоритм.

Для цитирования: Греков А.Н., Кабанов А.А., Алексеев С.Ю. Метод опорных векторов для определения углов Эйлера в инерциальной навигационной системе // Системы контроля окружающей среды. 2021. Вып. 4 (46). C. 134–142.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Шишкин Ю.Е., Греков А.Н. Концепция интеллектуальной системы автоматизированного экологического мониторинга на базе малогабаритных автономных роботов // Системы контроля окружающей среды. 2018. № 4 (34). С. 63–69.
  2. Shishkin Y.E., Grekov A.N., Nikishin V.V. Intelligent decision support system for detection of anomalies and unmanned surface vehicle inertial navigation correction // 2019 International Russian Automation Conference (RusAutoCon). IEEE, 2019. С. 1–6.
  3. Duong D.Q., Nguyen T.P., Sun J., Luo L. Attitude Estimation by Using MEMS IMU with Fuzzy Tuned Complementary Filter // 2016 IEEE International Conference on Electronic Information and Communication Technology (ICEICT). 2016. DOI:10.1109/ICEICT.2016.7879720
  4. Siciliano B., Khatib O. (eds.): Springer Handbook of Robotics. Springer, Cham (2016). https://doi.org/10.1007/978-3-319-32552-1
  5. Malmstrom J. Robust Navigation with GPS/INS and Adaptive Beamforming. Swedish Defence Research Agency System Technology Division SE-172 90 STOCKHOLM Sweden, 2003.
  6. Греков А.Н., Алексеев С.Ю., Башкиров В.Ю. Результаты лабораторных испытаний подводной навигационнойсистемы для аппаратов экологического контроля // Системы контроля окружающей среды. 2020. № 3 (41). С. 65–74. DOI:10.33075/2220-5861-2020-3-65-74
  7. An Introduction to Machine Learning with Python (O’Reilly) by Andreas C. Mueller and Sarah Guido. Copyright 2017 Sarah Guido and Andreas Mueller, 978-1-449-36941-5
  8. Klein I., Asraf O. StepNet – Deep Learning Approaches for Step Length Estimation. IEEE Access 2020. Vol. 8. P. 85706–85713.
  9. Jamil F., Iqbal N., Ahmad S., Kim D.H. Toward Accurate Position Estimation Using Learning to Prediction Algorithm in Indoor Navigation // Sensors. 2020. Vol. 20. P. 4410.
  10. Deng J., Xu Q., Ren A., Duan Y., Zahid A., Abbasi Q.H. Machine Learning Driven Method for Indoor Positioning Using Inertial Measurement Unit // In Proceedings of the International Conference on UK-China Emerging Technologies (UCET), Glasgow, UK, 20–21 August 2020. P. 1–4.
  11. Wang H.N., Yi G.X., Wang C.H., Guan Y. Nonlinear Initial Alignment of Strapdown Inertial Navigation System Using CSVM // In Applied Mechanics and Materials, Trans Tech Publications: StafaZurich, Switzerland, 2012. Vol. 148-149. P. 616–620.
  12. Cortés S., Solin A., Kannala J. Deep learning based speed estimation for constraining strapdown inertial navigation on smartphones // In Proceedings of the IEEE28th International Workshop on Machine Learning for Signal Processing, Aalborg, Denmark, 17–20 September 2018. P. 1–6.
  13. Chen H., Aggarwal P., Taha T.M., Chodavarapu V.P. Improving Inertial Sensor by Reducing Errors using Deep Learning Methodology // In Proceedings of the NAECON 2018-IEEE National Aerospace and Electronics Conference, Dayton, OH, USA, 23–26 July 2018. P. 197–202.
  14. Pukhov E., Cohen H.I. Novel Approach to Improve Performance of Inertial Navigation System Via Neural Network // In Proceedings of the 2020 IEEE/ION Position, Location and Navigation Symposium, Portland, OR, USA, 20–23 April 2020. P. 746–754.
  15. Raschka S., Mirjalili V. Python Machine Learning, Third Edit. Packt, 2019. 725 p. ISBN: 978-1-78995-575-0.
  16. Wolpert D.H. The lack of a priori distinctions between learning algorithms // Neural computation. 1996. Vol. 8. No. 7. P. 1341–1390.
  17. Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, 2011. P. 2825–2830.
  18. Witten Ian H., Frank Eibe, Hall Mark A., Pal Christopher J. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam; Paris: Elsevier. 2017. https://doi.org/10.1016/C2015-0-02071-8
  19. Brunton S.L., Kutz J.N. Data-driven science and engineering: Machine learning, dynamical systems, and control. Cambridge University Press, 2019.
  20. Bishop C.M. Pattern recognition // Machine learning. 2006. Vol. 128. No. 9.
  21. Smola A.J., Schölkopf B. A tutorial on support vector regression // Statistics and computing. 2004. Vol. 14. No. 3. P. 199–222.
  22. Vapnik V. The nature of statistical learning theory. Springer science & business media, 2013.
  23. Burges C.J.C. A tutorial on support vector machines for pattern recognition // Data mining and knowledge discovery. 1998. Vol. 2. No. 2. P. 121–167.
  24. Boser Bernhard E., Guyon Isabelle M., Vapnik Vladimir N. A training algorithm for optimal margin classifiers // In Proceedings of the Fifth Annual Workshop on Computational Learning Theory. 1992. ACM. P. 144–152.
  25. Cortes Corinna, Vapnik Vladimir. Support-vector networks // Machine Learning. 1995. Vol. 20 (3). P. 273–297.
  26. Albon C. Machine learning with python cookbook: Practical solutions from preprocessing to deep learning. O’Reilly Media, Inc., 2018.

Loading