基于注意力引导的时序卷积伪速度生成方法用于水下惯性/多普勒导航

《Scientific Reports》：Attention-guided temporal convolutional pseudo-velocity generation for underwater inertial/Doppler navigation

　　

摘要

多普勒速度记录仪出现故障时，会迅速削弱自主水下航行器的松散耦合惯性/多普勒导航性能，尤其是在深水区域或复杂海床地形中。本研究提出了一种基于注意力机制的时间卷积方法，用于在多普勒速度记录仪故障期间生成伪多普勒速度数据。该模型以最近的惯性测量单元输出以及捷联惯性导航系统提供的姿态、位置和速度数据作为输入，学习如何从多普勒速度记录仪正常工作的时段获取水平方向的多普勒速度数据。在多普勒速度记录仪无法工作的时间段内，训练好的模型会在原有的数据更新时刻预测出伪速度值，这些数值随后会被用于扩展卡尔曼滤波器的状态更新。通过因果扩张卷积技术，无需依赖未来信息即可提取时间依赖性，而注意力模块则能够对对速度预测更有用的运动片段赋予更高权重。通过对16条自主水下航行器轨迹的模拟测试表明，在多普勒速度记录仪持续故障的情况下，该方法相比多层感知器、时间卷积网络以及带注意力机制的门控循环单元等基准方法，能够更有效地降低速度和轨迹误差。在闭环转向任务中，与GRU-Attention方法相比，向东和向北的速度均方根误差分别降低了14.69%和14.74%。