《Drones》：Liquid Time-Constant Network-Enhanced INS/SAR Integrated Localization Method for UAVs in Degraded Scenarios
编辑推荐：
合成孔径雷达（SAR）能够在全球导航卫星系统（GNSS）失效条件下获取导航数据以校正惯性导航系统（INS）误差。然而，当无人机（UAVs）为保持无线电静默而关闭SAR系统，或SAR传感器遭受瞬时干扰时，INS/SAR组合导航系统会进入无SAR导航数据的退化场景
合成孔径雷达（SAR）能够在全球导航卫星系统（GNSS）失效条件下获取导航数据以校正惯性导航系统（INS）误差。然而，当无人机（UAVs）为保持无线电静默而关闭SAR系统，或SAR传感器遭受瞬时干扰时，INS/SAR组合导航系统会进入无SAR导航数据的退化场景。此外，SAR导航数据的不规则采样特性对INS/SAR组合导航系统的定位性能构成显著挑战。为应对上述无人机面临的挑战，研究人员提出一种液态时间常数（LTC）网络增强的INS/SAR组合定位方法。该方法采用松耦合组合策略，包含训练模式和预测模式。在训练过程中，研究人员设计了LTC辅助定位预测网络（LTC-ALPN），利用先验飞行数据建模输入-输出关系，并显式考虑SAR测量值非均匀时间采样特征。在预测模式下，训练好的LTC-ALPN预测缺失的SAR导航信息，随后通过卡尔曼滤波器（KF）与INS输出融合，以在SAR中断期间维持高精度定位。实验结果表明，在退化场景下，与纯INS定位相比，所提方法将北向误差的平均绝对误差（MAE）和均方根误差（RMSE）分别降低约92.8%和93.9%，东向误差的MAE和RMSE分别降低54.1%和67.1%。与次优网络基线相比，北向MAE/RMSE进一步改善50.8%/38.1%，东向MAE/RMSE进一步改善17.1%/16.7%。
**论文解读文章**
**研究背景与问题**
无人机（UAV）在民用和军事领域广泛应用，其导航高度依赖惯性导航系统（INS）与全球导航卫星系统（GNSS）的组合。然而，在复杂电磁环境、城市峡谷或山区林地区域，GNSS信号受遮挡，导致定位精度显著下降。合成孔径雷达（SAR）作为主动微波遥感传感器，可全天候提供导航数据，常与INS构成INS/SAR组合导航系统以提升定位精度。然而，当无人机执行隐蔽侦察任务时需关闭SAR以保持无线电静默，或SAR传感器在复杂电磁环境下遭受瞬时干扰时，组合系统会进入无SAR导航数据的退化场景。此时，INS因缺乏校正数据而产生累积漂移，同时SAR导航数据输出频率不恒定，形成非均匀采样时间序列。现有神经网络方法（如为均匀采样GNSS数据设计）难以应对非均匀采样特性，导致SAR中断期间定位精度下降。因此，亟需一种能处理不规则采样时间序列的网络来预测缺失的SAR导航信息，维持组合系统的高精度定位。
**研究内容与结论**
研究人员提出一种液态时间常数（LTC）网络增强的INS/SAR组合定位方法。该方法包含训练和预测两种模式，通过设计LTC辅助定位预测网络（LTC-ALPN），在训练阶段利用先验飞行数据学习输入-输出映射，显式建模非均匀采样的时间动态；在预测阶段，训练好的LTC-ALPN预测缺失的SAR位置增量，并通过卡尔曼滤波器（KF）与INS输出融合，从而在SAR中断期间实现连续的高精度定位。实验基于仿真数据（使用NaveGo工具箱生成430秒无人机飞行轨迹，其中0-365秒用于训练，365-385秒用于测试）验证了方法的有效性。与纯INS定位相比，所提方法将北向误差平均绝对误差（MAE）和均方根误差（RMSE）分别降低约92.8%和93.9%，东向误差MAE和RMSE分别降低54.1%和67.1%。与循环神经网络（RNN）、长短期记忆网络（LSTM）及INS/GPS神经网络（GI-NN）等基线相比，北向MAE/RMSE进一步改善50.8%/38.1%，东向MAE/RMSE改善17.1%/16.7%。该论文发表在《Drones》。
**主要关键技术方法**
研究人员采用的主要关键技术方法包括：①基于松耦合组合的INS/SAR集成导航框架，通过卡尔曼滤波器（KF）融合INS和SAR数据；②LTC-ALPN网络结构，该网络由一维卷积模块和LTC循环模块构成：卷积模块提取INS与SAR之间的稀疏跨传感器特征（共四层卷积，通道数从12逐层扩展至512），循环模块利用80个LTC单元描述隐藏状态的时间演化（由常微分方程控制），有效处理非均匀采样的SAR时间序列；③仿真数据生成方法：使用MATLAB R2023b的NaveGo工具箱（基于参考飞行轨迹）生成INS和SAR导航数据（非均匀采样），传感器参数见表1，数据来源为仿真而非真实飞行。
**研究结果**
**4.3.1. 预测结果误差比较**
通过计算不同网络预测的SAR纬度与经度的MAE和RMSE，发现所提LTC-ALPN在纬度预测的MAE和RMSE上比次优的GI-NN分别降低约43.0%和53.7%，经度预测的MAE和RMSE分别降低约13.2%和10.8%。这是因为LTC-ALPN通过常微分方程（ODE）描述隐藏状态演化，能有效表示不规则采样的时间序列，从而获得更高的预测精度。
**4.3.2. 定位方法误差比较**
对比纯INS、RNN、LSTM、GI-NN及所提LTC-ALPN辅助的INS/SAR组合定位结果，纯INS定位的东向误差在前几秒内迅速增大，北向误差在10秒后急剧增加；而神经网络辅助的定位误差随时间趋于稳定。LTC-ALPN辅助的定位在北向和东向上均取得最小误差。定量分析显示，与纯INS相比，所提方法北向误差MAE/RMSE降低约92.8%/93.9%，东向误差MAE/RMSE降低54.1%/67.1%；与次优方法相比，北向MAE/RMSE改善50.8%/38.1%，东向改善17.1%/16.7%。定位轨迹图进一步验证了所提方法的最优性。
**讨论与结论**
**讨论总结**：研究人员指出，所提LTC-ALPN通过ODE建模隐藏状态演化，提供了处理非均匀采样时间序列的鲁棒框架，因此预测精度优于现有网络。在SAR数据中断的退化场景下，该方法显著降低了北向和东向定位误差，提升了INS/SAR组合导航系统的定位精度。当前研究仅对方法进行了概念验证，未来工作将评估其在不同飞行动力学和SAR中断持续时间下的泛化能力。
**研究结论**：
本文设计了一种LTC辅助定位预测网络（LTC-ALPN），并提出了一种LTC网络增强的INS/SAR组合定位方法。所提LTC-ALPN在经度和纬度预测上取得优异性能，这归因于其利用ODE描述隐藏状态演化，提供了建模时间序列时间动态的鲁棒框架，并有效表示不规则采样时间序列，从而获得更高的预测精度。通过采用所提LTC网络增强的INS/SAR组合定位方法，北向和东向定位误差相比纯INS模型及现有网络辅助定位方法均显著降低。因此，在SAR导航数据中断的退化场景下，INS/SAR组合导航系统的定位精度得到明显改善。
