ПІДВИЩЕННЯ ТОЧНОСТІ НАВІГАЦІЙНИХ СИСТЕМ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ. АНАЛІЗ ПРОБЛЕМИ ТА ПОСТАНОВКА ЗАДАЧІ

Автор(и)

  • Успенський Валерій Борисович Національний технічний університет "Харківський політехнічний інститут", Україна https://orcid.org/0000-0002-5960-7347
  • Лащенко Оксана Леонідівна Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0009-0001-2235-3072

DOI:

https://doi.org/10.20998/2078-9130.2025.2.347936

Ключові слова:

гібридна інерціально-супутникова навігаційна система, супутникові дані, діагностування достовірності, точність навігації, фільтр Калмана

Анотація

Об’єктом дослідження є гібридні інерціально-супутникові навігаційні системи, які поєднують інерціальну підсистему та приймач сигналів глобальних навігаційних супутникових систем, в умовах тимчасової відсутності сигналів супутникових навігаційних систем або їх спотворень. При постійній наявності супутникових даних гібридні системи демонструють довготривалу високу точність. Але при відсутності або спотворенні супутникових сигналів, на кшталт GPS-спуфінгу, точність визначення координат в системі швидко деградує. Таким чином, предметом дослідження є підвищення точності функціонування гібридних систем у зазначених умовах. Метою дослідження є визначення основних підходів до проблеми підвищення точності інерціально-супутникової навігації та оцінка доцільності їх використання. Особливістю проблеми, що розглядається, є значна невизначеність моделей похибок та зовнішніх перешкод, типів руху. В цих умовах перспективним є залучення нейромережевих технологій до вирішення поставленої проблеми. З метою обґрунтованого вибору напряму розв’язання проблеми проведено аналіз літературних джерел з питань використання штучних нейронних мереж в сучасних системах навігації. Проведено аналіз з боку можливих призначень мережі в навігаційній системі, архітектур мережи, засобів інтеграції в алгоритмічне забезпечення, методологічних та технологічних аспектів проєктування та навчання мереж. Зроблено висновок про доцільність інтеграції рекурентної мережі у традиційне алгоритмічне забезпечення гібридних систем для діагностування достовірності супутникових даних з метою ізоляції обчислювального процесу від недостовірних даних; визначені підходи до створення навчальної бази мережі та оцінювання ефективності її використання. Додатково визначена необхідність оптимізації схем корекції параметрів системи за допомогою розширеного фільтру Калмана з метою компенсації похибок інерціальних датчиків. Після визначення спрямованості подальшого дослідження зроблено формальну постановку задачі, наведені математичні моделі, покладені в основу алгоритмів гібридної системи, сфокусовано увагу саме на предмет подальшого дослідження, визначені етапи розв’язку проблеми.

Посилання

  1. Liu S., Cheng X., Yang H., Shu Y., Weng X., Guo P., Zeng K., Wang G., Yang Y. Stars Can Tell: A Robust Method to Defend against GPS Spoofing Attacks using Off-the-shelf Chipset // Proceedings of the 30th USENIX Security Symposium (USENIX Security). – 2021. – URL: https://www.usenix.org/conference/usenixsecurity21/presentation/liu-shinan.
  2. Al-Sabbagh A., El-Bokhary A., El-Koussa S., Jaber A., Elkhodr M. Enhancing UAV Security Against GPS Spoofing Attacks Through a Genetic Algorithm-Driven Deep Learning Framework // Information. – 2025. – Vol. 16. – No. 2. – P. 115. – https://doi.org/10.3390/info16020115
  3. Wang F., Hong Y., Ban X. Infrastructure-Enabled GPS Spoofing Detection and Correction // IEEE Transactions on Intelligent Transportation Systems. – 2023. – Vol. 24. – No. 12. – P. 13878–13892. – https://doi.org/10.1109/TITS.2023.3298785
  4. Wang Z., Shen X., Li J., Li J., Wu X., Yang Y. Enhancing integrated navigation with a self-attention LSTM hybrid network for UAVs in GNSS-denied environments // Drones. – 2025. – Vol. 9. – No. 4. – P. 279. – https://doi.org/10.3390/drones9040279
  5. Jwo D.-J., Biswal A., Mir I. A. Artificial neural networks for navigation systems: A review of recent research // Applied Sciences. – 2023. – Vol. 13. – No. 7. – P. 4475. – https://doi.org/10.3390/app13074475
  6. Wang G., Xu X., Yao Y., Tong J. A novel BPNN-based method to overcome the GPS outages for INS/GPS system // IEEE Access. – 2019. – Vol. 7. – P. 82134–82143. – https://doi.org/10.1109/ACCESS.2019.2922212
  7. Liu H., Li K., Fu Q., Yuan L. Research on Integrated Navigation Algorithm Based on Radial Basis Function Neural Network // Journal of Physics: Conference Series. – 2021. – Vol. 1961. – P. 012031. – https://doi.org/10.1088/1742-6596/1961/1/012031
  8. Jozefowicz R., Zaremba W., Sutskever I. An Empirical Exploration of Recurrent Network Architectures // Proceedings of the 32nd International Conference on Machine Learning. – 2015. – P. 2342–2350. – URL: https://proceedings.mlr.press/v37/jozefowicz15.html
  9. Convolutional Neural Networks [Електронний ресурс]. – Режим доступу: https://www.baeldung.com/cs/ai-convolutional-neural-networks. – Дата звертання : 30 листопада 2025.
  10. O’Shea K., Nas R. An Introduction to Convolutional Neural Networks // arXiv preprint arXiv:1511.08458. – 2015.
  11. Dai W., Han H., Wang J., Xiao X., Li D., Chen C., Wang L. Enhanced CNN-BiLSTM-Attention model for high-precision integrated navigation during GNSS outages // Remote Sensing. – 2025. – Vol. 17. – No. 9. – P. 1542. – https://doi.org/10.3390/rs17091542
  12. Xue Y., Chen W. Multi-Agent Deep Reinforcement Learning for UAVs Navigation in Unknown Complex Environment // IEEE Transactions on Intelligent Vehicles. – 2023. – Vol. 9. – P. 2290–2303. – https://doi.org/10.1109/TIV.2023.3298292
  13. Tian S., Wang C., Gong X., Wu Y., Rao J., Huang D. Hybrid deep learning-assisted multi-mode measurements compensation for GNSS/INS loosely-coupled integration in different GNSS challenging environments // Advances in Space Research. – 2025. – https://doi.org/10.1016/j.asr.2025.03.073
  14. Taghizadeh S., Safabakhsh R. An Integrated INS/GNSS System With an Attention-Based Deep Network for Drones in GNSS Denied Environments // IEEE Aerospace and Electronic Systems Magazine. – 2023. – Vol. 38. – P. 14–25. – DOI: https://doi.org/10.1109/MAES.2023.3266180
  15. Yang Y., Wang X., Zhang N., Gao Z., Li Y. Artificial neural network based on strong track and square root UKF for INS/GNSS intelligence integrated system during GPS outage // Sensors. – 2024. – Vol. 24. – No. 4. – P. 1151. – https://doi.org/10.1038/s41598-024-64918-4
  16. Kanhere A. V., Gupta S., Shetty A., Gao G. Improving GNSS positioning using neural-network-based corrections // NAVIGATION: Journal of the Institute of Navigation. – 2022. – Vol. 69. – No. 4. – https://doi.org/10.33012/navi.548
  17. Cao Y., Bai H., Jin K., Zou G. A GNSS/INS integrated navigation algorithm based on PSO-LSTM in satellite rejection // Electronics. – 2023. – Vol. 12. – No. 13. – P. 2905. – https://doi.org/10.3390/electronics12132905
  18. Zhao H., Liu F., Chen W. A method for assisting GNSS/INS integrated navigation system during GNSS outage based on CNN-GRU and factor graph // Applied Sciences. – 2024. – Vol. 14. – No. 18. – P. 8131. – https://doi.org/10.3390/app14188131
  19. WGS84 [Електронний ресурс]. – Режим доступу: https://uk.wikipedia.org/wiki/WGS84. – Дата звертання : 15 грудня 2025.
  20. Zhang X., Mu X., Liu H., He B., Yan T. Application of Modified EKF Based on Intelligent Data Fusion in AUV Navigation // IEEE Underwater Technology (UT). – Kaohsiung, Taiwan, 2019. – https://doi.org/10.1109/UT.2019.8734414
  21. Wang C.-Z., Kong L.-W., Jiang J., Lai Y.-C. Machine learning-based approach to GPS antijamming // GPS Solutions. – 2021. – Vol. 25. – P. 115. – https://doi.org/10.1007/s10291-021-01154-7

##submission.downloads##

Опубліковано

2025-12-29

Як цитувати

Успенський, В., & Лащенко, О. (2025). ПІДВИЩЕННЯ ТОЧНОСТІ НАВІГАЦІЙНИХ СИСТЕМ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ. АНАЛІЗ ПРОБЛЕМИ ТА ПОСТАНОВКА ЗАДАЧІ. Вісник Національного технічного університету «ХПІ». Серія: Динамiка та мiцнiсть машин, (2), 79–86. https://doi.org/10.20998/2078-9130.2025.2.347936

Номер

№ 2 (2025): Вісник НТУ "ХПІ" Серія: "Динаміка та міцність машин"

Розділ

Статті

Ліцензія

Авторське право (c) 2025 Вісник Національного технічного університету «ХПІ». Серія: Динамiка та мiцнiсть машин

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.