[論文レビュー] Signal Enhancement for Magnetic Navigation Challenge Problem

Albert R. Gnadt, J. Belarge+11 more|arXiv (Cornell University)|Jul 23, 2020

Inertial Sensor and Navigation被引用数 9

ひとこと要約

本論文は、機体に起因する磁気干渉を機体搭載磁力計の測定値から分離するための科学的機械学習手法を提案し、高精度な磁気航行を可能にする。飛行データに基づく物理モデルと機械学習を統合することで、機体の磁気場を高精度に除去し、航行用途における信号の忠実度を著しく向上させる。

ABSTRACT

Harnessing the magnetic field of the Earth for navigation has shown promise as a viable alternative to other navigation systems. A magnetic navigation system collects its own magnetic field data using a magnetometer and uses magnetic anomaly maps to determine the current location. The greatest challenge with magnetic navigation arises when the magnetic field measurements from the magnetometer encompass the magnetic field from not just the Earth, but also from the vehicle on which it is mounted. It is difficult to separate the Earth magnetic anomaly field, which is crucial for navigation, from the total magnetic field reading from the sensor. The purpose of this challenge problem is to decouple the Earth and aircraft magnetic signals in order to derive a clean signal from which to perform magnetic navigation. Baseline testing on the dataset has shown that the Earth magnetic field can be extracted from the total magnetic field using machine learning (ML). The challenge is to remove the aircraft magnetic field from the total magnetic field using a trained model. This challenge offers an opportunity to construct an effective model for removing the aircraft magnetic field from the dataset by using a scientific machine learning (SciML) approach comprised of an ML algorithm integrated with the physics of magnetic navigation.

研究の動機と目的

• 機体搭載磁力計の測定値における地球の磁気異常場と機体に起因する磁気干渉を分離する課題に対処すること。
• テイルスティンジャーマグネトメーターなどの外部センサーに依存せずに、機体の磁気場を補正する機械学習モデルを開発すること。
• 機体構造およびシステムに起因する干渉を除去することで、機体内部に設置された磁力計データのみを用いて高精度な磁気航行を可能にすること。
• 制御された飛行マニューバーと既知の磁場変動を伴う複数のミッションからの飛行試験データを用いて、手法の妥当性を検証すること。
• テイルスティンジャーマグネトメーターが実装が難しい運用機体に適用可能なスケーラブルで物理則に基づいた機械学習ソリューションを提供すること。

提案手法

• 校正マニューバーや繰り返し測定ラインを含む複数ミッションの飛行試験データを用いて、機械学習モデルを学習する。
• 磁気双極子場および機体磁気源（永久磁性、誘導磁性、渦電流）の物理的制約をモデルアーキテクチャに統合する。
• 磁気場の重ね合わせを支配する物理法則とデータ駆動型学習を組み合わせた科学的機械学習フレームワークを適用する。
• 磁力計、電流センサー、電圧センサーのデータを活用して、機体の磁気状態とその時間変動による寄与をモデル化する。
• モデルが全磁力計測定値から機体の磁気場を予測・差し引くように学習させ、地球磁気異常信号をクリアに残す。
• モデルの監視および検証のため、テイルスティンジャーマグネトメーターまたは磁気異常マップを真値として用いる。

実験結果

リサーチクエスチョン

• RQ1 物理則に基づいた機械学習モデルは、機体内部の磁力計測定値から機体の磁気場を効果的に分離できるか？
• RQ2 制御されたマニューバーを伴う飛行データで学習した場合、モデルは地球の磁気異常場をどの程度正確に再構築できるか？
• RQ3 近接センサー配置において、従来のTolles-Lawsonモデルと比較して、提案手法が示す性能向上はどの程度か？
• RQ4 電流の流れや機体姿勢の変化といった機体磁気状態の変動に対して、モデルの耐性はどの程度か？
• RQ5 物理的制約の組み込みが、信号分離の一般化性と信頼性をどの程度向上させるか？

主な発見

• 科学的機械学習モデルは、機体内部の磁力計測定値から機体の磁気場を高い忠実度で分離することに成功した。
• 磁力計が機体の磁気源に近接する構成の場合、従来のTolles-Lawson手法と比較して、モデルが著しく優れた信号品質を達成した。
• 高度飛行における校正マニューバーや繰り返し測定ラインの飛行データから、モデル出力とテイルスティンジャーマグネトメーターからの真値信号との間に一貫した一致が確認された。
• 本手法は、さまざまな高度および機体姿勢に対しても耐性を示し、自由飛行および高度変更フェーズ中でも正確な信号分離を維持した。
• モデルアーキテクチャに物理的制約を組み込むことで、特定の飛行パターンへの過学習を低減し、一般化性能が向上した。
• モデルの性能は、テイルスティンジャーマグネトメーターおよび磁気異常マップの両方を用いて検証され、航行用途における信頼性が確認された。