Resumen

El Sistema Global de Navegación por Satélite (GNSS) ha sido la herramienta más popular para proporcionar información de posicionamiento, navegación y temporización (PNT). Se han desarrollado algunos métodos para mejorar el rendimiento del GNSS en entornos con problemas de señal (cañones urbanos, follaje denso, bloqueo de la señal, trayectos múltiples y señales sin línea de visión). El bucle de seguimiento vectorial (VTL) fue reconocido como el más prometedor y prospectivo entre estas tecnologías, ya que el VTL realizaba la ayuda mutua entre canales. Sin embargo, el bloqueo momentáneo de la señal de parte de los canales de seguimiento afectaba al funcionamiento del VTL y a la estimación de la solución de navegación. Además, la insuficiencia de los satélites disponibles empleados provocaba que los errores de la solución de navegación divergieran rápidamente con el tiempo. El bloqueo de la señal de corta duración o temporal era habitual en las zonas urbanas. Con el objetivo de mejorar el rendimiento del VTL durante la interrupción de la señal, en este trabajo se empleó el método de aprendizaje profundo para ayudar a la estimación de la solución de navegación del VTL; más concretamente, se empleó una Red Neuronal de Memoria Larga y Corta (LSTM-RNN) para ayudar al filtro de navegación del VTL (el filtro de navegación era normalmente un filtro de Kalman). La LSTM-RNN obtuvo un excelente desempeño en el procesamiento de datos de series de tiempo; por lo tanto, en este trabajo, la LSTM-RNN fue empleada para predecir los valores innovadores de la secuencia del filtro de navegación durante el corte de la señal, y luego, los valores innovadores predichos fueron empleados para ayudar al filtro de navegación para la estimación de la solución de navegación. La LSTM-RNN se entrenó bien mientras la señal era normal, y la secuencia innovadora pasada se empleó como entrada de la LSTM-RNN. Se diseñó y llevó a cabo una simulación basada en un receptor de software Matlab GNSS de código abierto; se diseñó una trayectoria dinámica con varios cortes temporales de la señal para probar el método propuesto. En comparación con el VTL convencional, el VTL asistido por LSTM-RNN pudo mantener los errores de posicionamiento horizontal dentro de los 50 metros durante un corte de señal. También se comparó la máquina de vectores de apoyo (SVM) convencional y la red neuronal de base radial (RBF-NN) con el método LSTM-RNN; el VTL asistido por LSTM-RNN podía mantener los errores de posicionamiento a menos de 20 metros durante los cortes, lo que demostró que LSTM-RNN era superior a la SVM y a la RBF-NN en estas aplicaciones.

• Materias:Motores (Mecánica) Vehículo espacial Ingeniería Aeronáutica
• Subjects:Engines Space vehicles Aeronautical Engineering
• Palabras claves:lstm, estimación de soluciones de navegación, rnn, filtro de navegación, interrupción de la señal, vtl asistida, secuencia innovadora pasada, interrupción temporal de la señal, red neuronal recurrente, error de soluciones de navegación
• Keywords:lstm, navigation solutions estimation, rnn, navigation filter, signal outage, assisted vtl, past innovative sequence, temporary signal outage, recurrent neural network, navigation solutions error