Auswertung der sensor-agnostischen Allquellen-Rückstandsüberwachung für die Navigation

Das Hinzufügen alternativer Sensoren (wie Kameras, Magnetometer und Funkgeräte mit kleiner Reichweite) erhöht die Wahrscheinlichkeit falsch modellierter und/oder fehlerhaft funktionierender Sensoren, wodurch die Genauigkeit und Leistung der gesamten Navigationslösung beeinträchtigt wird. Im Gegensatz zu Dual-Sensor-Systemen wie der GPS-Trägheitsintegration haben Systeme, die aus drei oder mehr Sensoren bestehen, ein Unsicherheitsproblem, dh welcher Sensor hat einen negativen Einfluss auf die Lösung. Dies zeigt die Notwendigkeit eines starken Rahmens, der die Navigationsintegrität trotz der zusätzlichen Sensormodi aufrechterhalten kann.

Viel Zeit und Energie wurde in alternative Navigation investiert, um Sensoren zu verwenden, die unabhängig von GNSS arbeiten, wie z. B. visuell unterstützte Navigation, extrem niederfrequente Funknavigation und neuer Kartenabgleich durch magnetische Anomalien. Der Hauptgrund für diese Bemühungen ist die Notwendigkeit einer Navigation, wenn das GNSS-Signal aufgrund gelegentlicher Unterbrechungen, Signalbehinderungen oder aufgrund von GPS Störungen oder Täuschung in einer umstrittenen Umgebung unbrauchbar ist. Die erhöhte Wahrscheinlichkeit von GNSS-Ausfällen hat zu einem Bedarf an Fehlersignaturen und der Integration einer großen Anzahl alternativer Sensoren in eine einzige Plattform mit einem starken Integritätsrahmen geführt. Das Integritäts-Framework muss in der Lage sein, alle Sensormessungen zu überwachen, um Fehlererkennung und -ausschluss (FDE) für Sensoren durchzuführen, die die Auswirkungen nachteiliger Modellfehler erfahren. Auch,.

Die Integration zweier Sensoren und die Auswertung von Sensormessungen auf derselben Plattform wurden intensiv erforscht. Wenn jedoch mehr als zwei Sensoren auf derselben Plattform integriert sind, wird die Identifizierung des Schuldigen-Sensors schwierig. Eine Möglichkeit, mit Sensorfehlern umzugehen, besteht in der Lösungstrennung unter Verwendung eines Hauptfilters und mehrerer Unterfilter, wobei jeder Unterfilter keinen Sensor enthält. Dies ist jedoch nicht effektiv beim Erkennen von Fehlern, die nicht zu einem signifikanten Unterschied in den Zustandsschätzungen zwischen den unbeschädigten und den verbleibenden (beschädigten) Unterfiltern führen. Im Vergleich zu FDE mit strengeren statistischen Algorithmen führen Fehler, die diesen Unterschied erzeugen, zu unerkannten Fehlern

Ein neuer Algorithmus, Sensor-Independent All-Source Residual Monitoring (SAARM), verwendet die Quadratsumme der Rest-Kovarianz-Mahalanobis-Distanz als gleitenden Durchschnitt χ2-Test. Diese Technologie ist Teil eines größeren Frameworks namens Autonomous and Resilient Management of All-Source Sensors (ARMAS).