АНАЛІЗ ШЛЯХІВ ПІДВИЩЕННЯ ТОЧНОСТІ ОБРОБЛЕННЯ НАВІГАЦІЙНОЇ ІНФОРМАЦІЇ В БОРТОВИХ ПІДСИСТЕМАХ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ I КЛАСУ В УМОВАХ РАДІОЕЛЕКТРОННОГО ПОДАВЛЕННЯ
DOI:
https://doi.org/10.46972/2076-1546.2026.30.01Ключові слова:
безпілотний літальний апарат, інерціальна навігація, точність, радіоелектронне подавлення, фільтр Калмана, робастні методи, адаптивна фільтрація, IMM, ARIMA, NAR / NARXАнотація
У статті розглянуто сучасні підходи до підвищення точності навігаційної інформації в безпілотних літальних апаратах І класу, що працюють в умовах радіоелектронного подавлення. Показано, що точність навігації є критичною для виконання розвідувальних і тактичних завдань, а вплив засобів радіоелектронного подавлення призводить до деградації сигналів GNSS і швидкого накопичення похибок у наявних мікроелектромеханічних датчиках інерціально-навігаційної системи. Охарактеризовано основні джерела похибок у навігаційних підсистемах, зокрема стохастичні шуми, систематичні дрейфи й нестаціонарні збурення, які значно посилюються в разі втрати супутникової корекції.
Проаналізовано ключові групи методів навігаційної фільтрації: фільтр Калмана та його модифікації, робастні підходи для зменшення впливу аномальних вимірювань, адаптивні методи для підлаштування до змін характеристик шумів та багатомодельні алгоритми IMM, що дозволяють адаптивно перемикатися між режимами роботи. Розглянуто також механізми виявлення недостовірних GNSS-вимірювань на основі χ²-критерію та підходи до прогнозування впливу атмосферних збурень за допомогою ARIMA-моделей.
Окрему увагу приділено нелінійним часовим моделям NAR і NARX, які демонструють значно вищу здатність відтворювати складну динаміку похибок інерціально-навігаційної системи та нестаціонарні зовнішні впливи порівняно з лінійними методами. Підкреслено, що ці моделі мають потенціал для суттєвого підвищення точності навігаційних розв’язків у режимах деградації чи повної відсутності GNSS. Водночас їх ефективне впровадження потребує подальших досліджень, спрямованих на оптимізацію архітектури нейронних мереж, зменшення обчислювальних витрат і забезпечення стабільності прогнозування в реальному часі. Саме розвиток NAR / NARX-моделей є перспективним напрямом, який може стати ключовим компонентом майбутніх навігаційних систем безпілотних літальних апаратів І класу.
Посилання
Sjöberg, P. (2018). Design and Implementation of an Exogenous Kalman Filter for UAVs. KTH Royal Institute of Technology. Retrived from https://www.divaportal.org/smash/get/diva2:1232900/FULLTEXT01.pdf
Wen, W., Pfeifer, T., Bai, X., & Hsu, L.-T. (2021). Factor Graph Optimization for GNSS / INS Integration: A Comparison with the Extended Kalman Filter. Navigation: Journal of the Institute of Navigation, 68, 2, 315–331. https://doi.org/10.1002/navi.421
Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering, 82, 35–45. https://doi.org/10.1115/1.3662552
Bhatt, D., Aggarwal, P., Devabhaktuni, V., & Bhattacharya, P. (2014). A Novel Hybrid Fusion Algorithm to Bridge the Period of GPS Outages Using Low Cost INS. Expert Systems with Applications, 41, 5, 2166–2173. https://doi.org/10.1016/j.eswa.2013.09.015
Huber, P. J. (1981). Robust Statistics. New York. https://doi.org/10.1002/0471725250
Hampel, F. R., Ronchetti, E. M., Rousseeuw, P. J., & Stahel, W. A. (1986). Robust Statistics: The Approach Based on Influence Functions. New York.
Zhang, Y., Yu, F., Gao, W., & Wang, Y. (2018). An Improved Strapdown Inertial Navigation System Initial Alignment Algorithm for Unmanned Vehicles. Sensors, 18 (10). https://doi.org/10.3390/s18103297
Akhlaghi, S., Zhou, N., & Huang, Z. (2017). Adaptive Adjustment of Noise Covariance in Kalman Filter for Dynamic State Estimation. In IEEE Power & Energy Society General Meeting. https://doi.org/10.1109/PESGM.2017.8273755
Wang, X., Wang, A., Xiong, Y., & Liang, B. (2022). A Modified Sage-Husa Adaptive Kalman Filter for State Estimation of Electric Vehicle Servo Control System. Energy Reports. https://doi.org/10.1016/j.egyr.2022.02.105
Genovese, A. (2021). The Interacting Multiple Model Algorithm for Accurate State Estimation of Maneuvering Targets. Retrived from https://secwww.jhuapl.edu/techdigest/content/techdigest/pdf/V22-N04/22-04-Genovese.pdf
Zhang, T., Zong, Q., & Liu, X. (2019). Adaptive IMM Algorithm for Multi-Mode Integrated Navigation System under GNSS Degradation. Aerospace Science and Technology, 92, 593–602. https://doi.org/10.1016/j.ast.2019.06.027
Motsnyi, F. V. (2018). Analiz neparametrychnykh i parametrychnykh kryteriiv perevirky statystychnykh hipotez. Ch. I. Kryterii uzghodzhennia Pirsona i Kolmohorova [Analysis of Nonparametric and Parametric Criteria for Testing Statistical Hypotheses. Part I. Pearson and Kolmogorov Agreement Criteria]. Statystyka Ukrainy [Statistics of Ukraine], 4 (83). https://doi.org/10.31767/su.4(83)2018.04.02 [in Ukrainian].
Sun, K., & Gebre-Egziabher, D. (2021). Air Data Fault Detection and Isolation for Small Unmanned Aircraft Using an Integrity Monitoring Framework. Navigation: Journal of the Institute of Navigation, 68, 2, 431–447. https://doi.org/10.1002/navi.414
Alsamamra, H., & Salah, S. (2024). Performance Analysis of ARIMA Model for Wind Speed Forecasting. Simulation Modelling Practice and Theory. https://doi.org/10.1177/01445987241248201
Romanko, V. A., & Sribnyi, O. M. (2025). Intehratsiia neironnoho filtra Kalmana v systemu navedennia vysokodynamichnykh aparativ [Integration of a Neural Kalman Filter into Guidance of High-Dynamic Platforms]. Problemy stvorennia, vyprobuvannia, zastosuvannia ta ekspluatatsii skladnykh informatsiinykh system : zb. nauk. Prats [Problems of Construction, Testing, Application and Operation of Complex Information Systems: Scientific Journal of Korolov Zhytomyr Military Institute], 29 (I), 125–139. https://doi.org/10.46972/2076-1546.2025.28.01 [in Ukrainian].
Aburasain, Y., Bilal, M., & Kim, K. (2024). Optimizing Prediction Accuracy in Dynamic Systems Through Neural Network Integration with Kalman and Alpha-Beta Filters. PLOS ONE, 19, 10. e0311734. https://doi.org/10.1371/journal.pone.0311734
Zhang, Y., Meng, Yu & Zhang, H., et al. (2023). Neural Kalman: A Learnable Kalman Filter for Acoustic Echo Cancellation. In IEEE Automatic Speech Recognition and Understanding Workshop (ASRU). https://doi.org/10.1109/asru57964.2023.10389780
Narendra, K. S., & Parthasarathy, K. (1990). Identification and Control of Dynamical Systems Using Neural Networks. IEEE Transactions on Neural Networks, 1, 1, 4–27. https://doi.org/10.1109/72.80202
Billings, S. A. (2013). Nonlinear System Identification: NARMAX Methods in the Time, Frequency, and Spatio-Temporal Domains. Chichester. https://doi.org/10.1002/9781118535561
Alberts, T., Landman, D., & Hou, G. (2022). Implementation of an Extended Kalman Filter Using Inertial Sensor Data for UAVs During GPS Denied Applications. Master of Science, Thesis, Mechanical & Aerospace Engineering. Old Dominion University. https://doi.org/10.25777/f3f4-b307
Black, M. J., & Anandan, P. (1996). The Robust Estimation of Multiple Motions: Parametric and Piecewise-Smooth Flow Fields. Computer Vision and Image Understanding, 63, 1, 75–104. https://doi.org/10.1006/cviu.1996.0006
Maybeck, P. S., & Stevens, R. C. (1991). Adaptive Multiple Model Kalman Filtering. Proceedings of the IEEE, 79, 6, 940–952. https://doi.org/10.1109/5.90110
Wang, J., Han, S., & Meng, X. (2020). IMM-Based Adaptive Robust Kalman Filter for UAV Navigation in GNSS-Challenged Environments. Sensors, 20, 6, Art. 1694. https://doi.org/10.3390/s20061694
Negara, L., & Wustqa, D. (2020). Prediction of Crude Palm Oil Production Using Nonlinear Autoregressive Exogenous Neural Network with Genetic Algorithm. In AIP Conference Proceedings.. https://doi.org/10.1063/5.0107898
Buitrago, J., & Asfour, S. (2017). Short-Term Forecasting of Electric Loads Using Nonlinear Autoregressive Artificial Neural Networks with Exogenous Inputs. Energies, 10, 11. https://doi.org/10.3390/en10010040
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
