[논문 리뷰] Signal Enhancement for Magnetic Navigation Challenge Problem

Albert R. Gnadt, J. Belarge외 11명|arXiv (Cornell University)|2020. 07. 23.

Inertial Sensor and Navigation인용 수 9

한 줄 요약

이 논문은 항공기 유도 자기 간섭을 실내 자기계 읽기에서 분리하기 위한 과학적 기계학습 접근법을 제안한다. 이는 정확한 자기항법을 가능하게 한다. 비행 데이터에 물리기반 모델과 기계학습을 통합함으로써 항공기 자기장의 고정밀 제거가 가능해져 항법 응용 분야에서 신호의 정밀도가 크게 향상된다.

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.

연구 동기 및 목표

• 실내 자기계 읽기에서 지구 자기이상장과 항공기 유도 자기 간섭을 분리하는 데 도전 과제를 해결한다.
• 꼬리스티너 자기계와 같은 외부 센서에 의존하지 않고 항공기 자기장을 보상하는 기계학습 모델을 개발한다.
• 항공기의 구조와 시스템에서 유래하는 간섭을 제거함으로써 실내 자기계 데이터만을 사용하여 정확한 자기항법을 가능하게 한다.
• 통제된 조작과 알려진 자기장 변화를 포함한 다수의 미션에서의 비행 시험 데이터를 사용하여 방법을 검증한다.
• 꼬리스티너 센서가 비현실적인 운영 항공기용으로 확장 가능한 물리 기반 기계학습 솔루션을 제공한다.

제안 방법

• 교정 조작과 반복된 조사선을 포함한 다수의 미션에서의 비행 시험 데이터를 사용하여 기계학습 모델을 훈련한다.
• 자기다중극장의 물리적 제약과 항공기 자기원(영구자기, 유도자기, 에디스전류)을 모델 아키텍처에 통합한다.
• 자기장 초합의 물리 법칙을 반영한 데이터 기반 학습과 물리 법칙을 결합한 과학적 기계학습 프레임워크를 적용한다.
• 자기계, 전류 센서, 전압 센서의 센서 데이터를 활용하여 항공기 자기 상태와 그 시간에 따라 변화하는 기여도를 모델링한다.
• 모델이 총 자기계 읽기에서 항공기 자기장을 예측하고 제거하여 깔끔한 지구 자기이상 신호를 남기도록 훈련한다.
• 모델의 감독 및 검증을 위해 꼬리스티너 자기계 또는 자기이상도를 기준 신호로 사용한다.

실험 결과

연구 질문

• RQ1 물리 기반 기계학습 모델은 실내 자기계 읽기에서 항공기 자기장을 효과적으로 분리할 수 있는가?
• RQ2 통제된 조작이 포함된 비행 데이터로 훈련된 모델이 지구 자기이상장을 얼마나 정확하게 재구성할 수 있는가?
• RQ3 근접 센서 구성에서 기존의 Tolles-Lawson 모델에 비해 제안된 방법의 성능 향상은 어느 정도인가?
• RQ4 전류 흐름이나 항공기 자세의 변화와 같은 항공기 자기 상태의 변동에 대해 모델의 견고성은 어떠한가?
• RQ5 물리적 제약 조건의 포함이 신호 분리의 일반화 및 신뢰성 향상에 어느 정도 기여하는가?

주요 결과

• 과학적 기계학습 모델은 높은 정밀도로 실내 자기계 읽기에서 항공기 자기장을 효과적으로 분리하였다.
• 자기계가 항공기 자기원에 가까이 위치한 경우, 기존의 Tolles-Lawson 접근 방식보다 모델이 훨씬 우수한 신호 품질을 달성하였다.
• 고고도 교정 조작과 반복된 조사선에서의 비행 데이터는 모델 출력과 꼬리스티너 자기계의 기준 신호 사이에 일관된 일치를 확인하였다.
• 모델은 고도와 항공기 자세의 변화에 걸쳐도 견고성을 유지하여 자유비행 및 고도 변화 단계 동안 정확한 신호 분리를 유지하였다.
• 모델 아키텍처에 물리적 제약 조건을 포함시킴으로써 일반화 능력 향상과 특정 비행 패턴에 대한 과적합 감소가 이루어졌다.
• 꼬리스티너 데이터와 자기이상도를 모두 활용하여 모델 성능을 검증하였으며, 이는 항법 응용 분야에서의 신뢰성을 확인하였다.