[论文解读] 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 9

一句话总结

本文提出一种科学机器学习方法，用于从机载磁力仪读数中分离飞机引起的磁干扰，从而实现高精度的磁导航。通过将基于物理的模型与飞行数据中的机器学习相结合，该方法实现了对飞机磁场的高精度去除，显著提升了导航应用中的信号保真度。

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.

研究动机与目标

• 解决在机舱磁力仪读数中分离地球磁异常场与飞机自身磁干扰的挑战。
• 开发一种无需依赖外部传感器（如尾部磁力计）的机器学习模型，以补偿飞机的磁场。
• 通过去除飞机结构与系统引起的干扰，仅利用机舱内磁力仪数据实现高精度磁导航。
• 利用包含受控机动和已知磁场变化的多次任务飞行测试数据验证该方法。
• 提供一种可扩展的、基于物理信息的机器学习解决方案，适用于实际运行的飞机，其中尾部磁力计传感器不切实际。

提出的方法

• 使用来自多次任务的飞行测试数据（包括校准机动和重复测量航线）训练机器学习模型。
• 将磁偶极子场及飞机磁源（永久磁性、感应磁质、涡流）的物理约束整合到模型架构中。
• 应用科学机器学习框架，结合数据驱动学习与磁场所叠加的物理定律。
• 利用磁力仪、电流传感器和电压传感器的数据，建立飞机磁状态及其随时间变化的贡献模型。
• 训练模型以预测并从总磁力仪读数中减去飞机的磁场，从而保留干净的地球磁异常信号。
• 使用尾部磁力计或磁异常图作为真实值，对模型进行监督和验证。

实验结果

研究问题

• RQ1 基于物理信息的机器学习模型能否有效分离机载磁力仪读数中的飞机磁场？
• RQ2 当使用包含受控机动的飞行数据进行训练时，该模型在多大程度上能准确重建地球磁异常场？
• RQ3 在近距离传感器配置下，与传统Tolles-Lawson模型相比，所提方法的性能提升如何？
• RQ4 该模型对飞机磁状态变化（如电流流动或姿态变化）的鲁棒性如何？
• RQ5 在模型架构中引入物理约束在信号分离的泛化能力和可靠性方面提升了多少？

主要发现

• 科学机器学习模型成功以高保真度从机舱磁力仪读数中解耦飞机磁场。
• 当磁力仪靠近飞机磁源时，该模型的信号质量显著优于传统Tolles-Lawson方法。
• 高空校准机动和重复测量航线的飞行数据证实，模型输出与尾部磁力计的真实信号保持一致。
• 该方法在不同高度和飞机姿态下表现出鲁棒性，在自由飞行和爬升/下降阶段均维持了准确的信号分离。
• 在模型架构中引入物理约束显著提升了泛化能力，并减少了对特定飞行模式的过拟合。
• 通过尾部磁力计数据和磁异常图对模型性能进行了双重验证，证实其在导航应用中的可靠性。