基于注意力神经网络的模糊固定时间多源融合技术，用于在卫星信号丢失情况下实现可靠的导航

《Engineering Applications of Artificial Intelligence》：Fuzzy fixed-time multi-source fusion with attention-based neural networks for reliable navigation under satellite signal loss

自主导航系统在GNSS中断与复杂运动下的高精度融合方法研究，提出基于Lyapunov理论的非线性固定时间观测器，结合模糊逻辑增益自适应调整与CNN-GRU注意力机制预测，实现双模态（GNSS可用/不可用）无缝导航。实验验证其抗漂移、实时性强且适应复杂轨迹的能力优于传统EKF/MCCEKF。

　　在当今科技飞速发展的背景下，自主系统对精确可靠的导航能力提出了更高的要求。特别是在传感器误差、未知动态变化、全球导航卫星系统（GNSS）信号中断以及复杂机动操作等条件下，传统的导航技术往往难以满足实时性和准确性需求。为了解决这些问题，研究人员提出了多种方法，其中结合了自适应观测器与深度学习模型的导航框架，被认为是当前最具前景的解决方案之一。

自适应观测器与深度学习模型的结合，为解决导航系统的挑战提供了一个创新的视角。自适应观测器能够在GNSS信号存在或缺失的情况下，独立于初始条件地估计系统状态和扰动，确保导航的连续性和稳定性。这种观测器的设计基于非线性理论，并且具备理论上的固定时间收敛性，使得其在面对突发扰动或复杂动态变化时，能够迅速恢复导航精度。而深度学习模型，特别是基于卷积神经网络（CNN）和门控循环单元（GRU）的结构，利用注意力机制，能够从惯性测量单元（IMU）数据中提取局部特征、捕捉时间依赖性，并优先处理关键信息段，从而实现对水平位置变化的精准预测。这种预测能力在GNSS信号中断时尤为重要，因为此时系统必须完全依赖IMU数据进行导航计算，而IMU数据本身存在累积误差的问题。

为了提高系统在噪声干扰、传感器漂移以及低成本IMU传感器限制下的鲁棒性，研究引入了一种基于模糊逻辑的机制，该机制能够根据归一化估计误差及其方差，动态调整观测器的增益。这种自适应增益调整策略不仅增强了系统的灵活性，还有效防止了由于非平稳噪声或不确定动态导致的估计不稳定或发散。相比传统的固定增益方法，这种策略能够在不同环境下保持更一致的性能表现，从而提升整体导航的可靠性。

在GNSS信号中断的情况下，系统必须依赖IMU数据进行导航，而IMU数据的长期使用会导致误差累积，影响导航精度。为此，研究提出了一种条件性的传感器融合策略，该策略在GNSS信号缺失时，选择性地利用皮托管管数据和气压计数据进行融合，从而有效补偿惯性导航系统（SINS）的漂移问题。这种策略不仅提高了在信号中断期间的导航精度，还避免了在正常GNSS信号条件下引入额外的计算负担或系统干扰。通过这种方式，系统能够在GNSS信号存在和缺失的情况下，保持一致的性能表现，实现无缝的导航连续性。

此外，研究还提出了一种统一的多源、双模式估计框架，该框架能够支持GNSS信号存在和缺失两种模式下的导航需求。这种框架的设计不仅考虑了传感器数据的特性，还结合了自适应观测器和深度学习模型的优势，使得系统在面对复杂轨迹和突发状况时，仍能保持稳定和可靠的导航性能。实验结果表明，该框架在实际测试中表现优异，尤其是在GNSS信号中断的情况下，其估计精度和稳定性显著优于传统方法，如扩展卡尔曼滤波器（EKF）和基于最大相关熵准则的扩展卡尔曼滤波器（MCCEKF）。

研究中采用的深度学习模型，特别是CNN-GRU网络，其结构被优化以适应实际应用的需求。CNN层用于提取IMU数据中的局部特征，GRU层则负责捕捉时间序列中的依赖关系，而注意力机制则帮助模型聚焦于重要的信息段，从而提高预测的准确性。与传统的LSTM网络相比，GRU在计算效率和内存消耗方面具有明显优势，这使得其更适合在资源受限的嵌入式系统中部署。同时，该模型在预测位置增量而非绝对位置方面，也具有显著优势，因为这种方式可以有效减少累积误差，简化后续的后处理步骤，从而提升整体导航系统的性能。

为了验证所提出框架的有效性，研究团队在多种复杂轨迹中进行了实地测试，其中包括故意中断GNSS信号的场景。测试结果表明，该框架在各种条件下均能保持较高的估计精度和稳定性，特别是在面对长期GNSS信号丢失时，其表现尤为突出。此外，该框架还能够适应不同的动态变化和传感器质量，使其在实际应用中具有更强的通用性和适应性。

研究还强调了在设计和实现过程中，如何平衡精度、稳定性和计算效率。通过引入自适应增益调整机制和条件性传感器融合策略，系统能够在保持高精度的同时，降低计算复杂度和资源消耗。这种平衡对于实际应用至关重要，尤其是在资源受限的嵌入式系统中，需要在性能和计算能力之间找到最佳的折中方案。

在实际应用中，该框架的多源数据融合能力使其能够有效应对各种导航挑战。例如，在GNSS信号存在的情况下，系统可以利用GNSS数据对SINS的估计进行校正，从而提高长期定位精度。而在GNSS信号缺失时，系统则能够依靠IMU数据和空气数据传感器（如皮托管和气压计）进行估计，确保导航的连续性。这种灵活的融合策略不仅提高了系统的鲁棒性，还增强了其在不同环境下的适应能力。

研究还指出了当前导航技术中存在的主要问题，包括对GNSS信号的过度依赖、传统滤波器在非高斯噪声和非线性行为下的性能限制，以及在GNSS信号中断时依赖IMU数据带来的误差累积问题。通过引入自适应观测器和深度学习模型，该框架能够在这些方面提供显著的改进。例如，自适应观测器能够在GNSS信号中断时快速恢复导航精度，而深度学习模型则能够通过学习IMU数据中的时间依赖关系，提高预测的准确性。

此外，研究还探讨了在不同导航环境下，如何优化传感器融合策略。例如，在GNSS信号存在的情况下，系统可以利用高精度的GNSS数据对SINS的估计进行校正，而在GNSS信号缺失时，则需要依靠IMU数据和空气数据传感器进行估计。这种策略不仅提高了系统的适应能力，还增强了其在复杂动态环境下的鲁棒性。

为了进一步提高系统的稳定性，研究还考虑了基于模糊逻辑的自适应增益调整机制。该机制能够根据实时的估计误差和测量噪声，动态调整观测器的增益，从而在不同条件下保持最佳的估计性能。这种自适应策略避免了传统固定增益方法在面对非平稳噪声或不确定动态时的局限性，使得系统在各种环境下都能保持较高的估计精度和稳定性。

在实际应用中，该框架的多源数据融合能力使其能够有效应对各种导航挑战。例如，在GNSS信号存在的情况下，系统可以利用GNSS数据对SINS的估计进行校正，从而提高长期定位精度。而在GNSS信号缺失时，则需要依靠IMU数据和空气数据传感器进行估计。这种策略不仅提高了系统的适应能力，还增强了其在复杂动态环境下的鲁棒性。

研究还指出了当前导航技术中存在的主要问题，包括对GNSS信号的过度依赖、传统滤波器在非高斯噪声和非线性行为下的性能限制，以及在GNSS信号中断时依赖IMU数据带来的误差累积问题。通过引入自适应观测器和深度学习模型，该框架能够在这些方面提供显著的改进。例如，自适应观测器能够在GNSS信号中断时快速恢复导航精度，而深度学习模型则能够通过学习IMU数据中的时间依赖关系，提高预测的准确性。

为了进一步提高系统的稳定性，研究还考虑了基于模糊逻辑的自适应增益调整机制。该机制能够根据实时的估计误差和测量噪声，动态调整观测器的增益，从而在不同条件下保持最佳的估计性能。这种自适应策略避免了传统固定增益方法在面对非平稳噪声或不确定动态时的局限性，使得系统在各种环境下都能保持较高的估计精度和稳定性。

在实验验证方面，研究团队进行了广泛的实地测试，以评估所提出框架在不同导航条件下的性能表现。测试中使用的车辆配备了多种传感器，包括低成本的MEMS级IMU（MPU9250），其采样频率为50 Hz。通过这些传感器，系统能够获取车辆的加速度和角速度数据，进而进行导航估计。实验结果表明，该框架在GNSS信号存在和缺失的情况下均能保持较高的估计精度和稳定性，特别是在面对复杂动态变化和长期GNSS信号中断时，其性能显著优于传统方法。

综上所述，该研究提出的导航框架结合了自适应观测器与深度学习模型的优势，能够在GNSS信号存在和缺失的情况下，实现高精度、高稳定性和高效率的导航估计。通过引入自适应增益调整机制和条件性传感器融合策略，系统能够在不同环境下保持一致的性能表现，从而提升整体导航的可靠性。这一创新框架不仅填补了现有研究中的空白，还为未来自主系统的导航技术提供了新的思路和方法。