基于多层神经网络的鲁棒运动传递对准方法在GPS信号中断下的应用研究

为解决GPS信号中断时主从车辆间传递对准精度下降的问题，研究人员提出了一种基于多层神经网络（RTA-NN）的鲁棒运动传递对准方法。该方法通过融合主车SINS（捷联惯性导航系统）与IMU（惯性测量单元）数据，利用LSTM（长短期记忆网络）和MLP（多层感知机）构建速度预测模型，在100秒GPS中断期间将导航误差降低0.1%。该研究为无人水面艇（USV）与遥控水下机器人（ROV）的协同导航提供了高精度解决方案。

　　

在无人系统协同作业领域，GPS信号中断导致的导航精度骤降一直是制约技术发展的瓶颈。传统传递对准（Transfer Alignment, TA）方法高度依赖主车GPS数据，一旦信号丢失，从车（如遥控水下机器人ROV）的捷联惯性导航系统（Strapdown Inertial Navigation System, SINS）误差会迅速累积。伊朗Sharif University of Technology的研究团队Alireza Sharifi等人创新性地将深度学习引入该领域，提出名为RTA-NN的鲁棒运动传递对准方法，相关成果发表于《Engineering Applications of Artificial Intelligence》。

研究团队采用三项核心技术：首先基于低精度IMU建立主车SINS运动方程，计算位置、速度和姿态；其次设计闭环卡尔曼滤波（Kalman Filter, KF）融合GPS与SINS数据；最终构建包含多层LSTM和MLP的混合神经网络，利用历史IMU与SINS数据预测主车运动状态。

问题陈述部分阐明USV（主车）与ROV（从车）的协同导航架构。坐标系章节定义了惯性（I）、地球（E）、导航（N）和载体（B）四类参考框架。建模环节对IMU和GPS的测量误差进行量化。SINS机械编排推导出姿态矩阵C_B
^N
、速度v_B
^N
和位置p_B
的非线性方程。主导航结构显示GPS可用时，KF通过校正SINS误差实现高精度导航。运动对准结构揭示RTA-NN的核心创新：当GPS失效时，神经网络预测的主车数据替代GPS输入KF，维持从车对准精度。

结果与讨论显示，在100秒GPS中断模拟中，RTA-NN使导航误差降低0.1%，显著优于传统方法。结论指出该方法通过AI算法突破硬件限制，为无人系统在复杂环境下的协同作业提供新思路。

该研究的里程碑意义在于：首次将LSTM时序建模能力引入传递对准领域，实现GPS拒止环境下的误差自补偿；提出的混合网络架构兼具动态适应性与计算效率；验证了AI在军用/民用无人系统导航中的工程化潜力。研究团队特别强调，该方法无需增加硬件成本，仅通过算法升级即可提升现有装备性能，具有极高的军事应用价值。