Исследователи представили метод повышения точности навигационных систем с помощью 1D-сверточных нейронных сетей (CNN). Модель обучается предсказывать остаточные ошибки гироскопов, используя данные звездных датчиков и сенсоров движения. Работа фокусируется на интерпретируемости предсказаний и декомпозиции неопределенности, что критически важно для надежной работы алгоритмов оценки состояния в условиях реальных космических полетов.
В основе подхода лежит интеграция нейросетевого модуля в традиционный контур гиро-звездного оценивания (Gyro-Stellar Estimator). В отличие от классических методов фильтрации, нейросеть эффективно выявляет нелинейные зависимости в шумах датчиков, которые сложно описать аналитическими моделями. Особое внимание уделено анализу того, какие именно входные признаки влияют на итоговую коррекцию, что позволяет инженерам верифицировать поведение системы в критических сценариях.
Исследование демонстрирует, как методы машинного обучения могут быть внедрены в высокоточные системы управления, где цена ошибки крайне высока. Авторы показывают, что использование глубокого обучения не только снижает среднюю квадратичную ошибку оценки угловой скорости, но и предоставляет метрики уверенности модели, необходимые для принятия решений в бортовых вычислителях.
Ключевые факты
- Использована архитектура 1D-CNN для обработки временных рядов с гироскопов и звездных датчиков.
- Реализована декомпозиция неопределенности для оценки надежности предсказаний нейросети в реальном времени.
- Метод протестирован на данных, типичных для полетных условий, с интеграцией в стандартный оценочный контур.
- Основной упор сделан на объяснимость (explainability) алгоритма, что позволяет отслеживать вклад каждого сенсора в коррекцию смещения.