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.
СПИСОК ЛИТЕРАТУРЫ
- 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.
- 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.
- 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
- Siciliano B., Khatib O. (eds.): Springer Handbook of Robotics. Springer, Cham (2016). https://doi.org/10.1007/978-3-319-32552-1
- Malmstrom J. Robust Navigation with GPS/INS and Adaptive Beamforming. Swedish Defence Research Agency System Technology Division SE-172 90 STOCKHOLM Sweden, 2003.
- 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
- 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
- Klein I., Asraf O. StepNet – Deep Learning Approaches for Step Length Estimation. IEEE Access 2020. Vol. 8. P. 85706–85713.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Raschka S., Mirjalili V. Python Machine Learning, Third Edit. Packt, 2019. 725 p. ISBN: 978-1-78995-575-0.
- Wolpert D.H. The lack of a priori distinctions between learning algorithms // Neural computation. 1996. Vol. 8. No. 7. P. 1341–1390.
- Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, 2011. P. 2825–2830.
- 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
- Brunton S.L., Kutz J.N. Data-driven science and engineering: Machine learning, dynamical systems, and control. Cambridge University Press, 2019.
- Bishop C.M. Pattern recognition // Machine learning. 2006. Vol. 128. No. 9.
- Smola A.J., Schölkopf B. A tutorial on support vector regression // Statistics and computing. 2004. Vol. 14. No. 3. P. 199–222.
- Vapnik V. The nature of statistical learning theory. Springer science & business media, 2013.
- 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.
- 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.
- Cortes Corinna, Vapnik Vladimir. Support-vector networks // Machine Learning. 1995. Vol. 20 (3). P. 273–297.
- Albon C. Machine learning with python cookbook: Practical solutions from preprocessing to deep learning. O’Reilly Media, Inc., 2018.