Современные алгоритмы построения прогнозирующих моделей для инерциальных навигационных систем, содержащих МЭМС-датчики

Авторы: Набиева З.З.
Опубликовано в выпуске: #4(105)/2026
DOI:
Раздел: Приборостроение, метрология и информационно-измерительные приборы и системы | Рубрика: Приборы и методы измерения
Ключевые слова: инерциальные навигационные системы, микроэлектромеханические системы, прогнозирующие модели, погрешность МЭМС-датчиков, коррекция, прогнозирование ошибок, машинное обучение, многослойные нейронные сети
Опубликовано: 22.09.2026

Представлен обзор современных алгоритмов построения прогнозирующих моделей для инерциальных навигационных систем на основе микроэлектромеханических систем (МЭМС-ИНС). Показано, что переход от линейных и квазилинейных моделей к полностью нелинейным архитектурам позволяет существенно повысить точность аппроксимации и краткосрочного прогнозирования дрейфа, смещения и шумовых составляющих МЭМС-датчиков, в том числе в условиях сложных температурных и динамических режимов. Сформулированы перспективные направления исследований, включающие использование генеративных моделей для синтеза навигационных и ошибочных сигналов, развитие квантово-классических гибридных алгоритмов для оптимизации параметров сенсоров и внедрение адаптивных мультиуровневых архитектур, объединяющих физические, статистические и нейросетевые компоненты в единую прогнозирующую систему.

Литература

[1] Нгуен Ч.И., Нгуен К.Х., Ха М.Т. Алгоритм калибровки микроэлектромеханических инерциальных датчиков. Известия вузов России. Радиоэлектроника, 2022, т. 25, № 4, с. 90–104. https://doi.org/10.32603/1993-8985-2022-25-4-90-104

[2] Levin M., Klein I. Orientation-Free Neural Network-Based Bias Estimation for Low-Cost Stationary Accelerometers. Arxiv:2511.13071, 2025. https://doi.org/10.48550/arXiv.2511.13071

[3] Шэнь Кай. Разработка методов оценивания и прогнозирования навигационных систем летательных аппаратов. Автоматизация. Современные технологии, 2015, № 7, с. 13–18.

[4] Ru X., Gu N., Shang H., Zhang H. MEMS Inertial Sensor Calibration Technology: Current Status and Future Trends. Micromachines, 2022, vol. 13, no. 6, art. no. 879. https://doi.org/10.3390/mi13060879

[5] Zhang X., Li Y., Mumford P., Rizos C. Allan Variance Analysis on Error Characteristics of MEMS Inertial Sensors for an FPGA-Based GPS/INS System. Proceedings of the International Symposium on GPS/GNSS. Tokyo, Japan, 2008, pp. 127–133.

[6] Xing H., Hou B., Lin Z., Guo M. Modeling and Compensation of Random Drift of MEMS Gyroscopes Based on Least Squares Support Vector Machine Optimized by Chaotic Particle Swarm Optimization. Sensors, 2017, vol. 17, no. 10, art. no. 2335. https://doi.org/10.3390/s17102335

[7] Jiang C., Chen S., Chen Y., Zhang B., Feng Z., Zhou H., Bo Y. A MEMS IMU De-Noising Method Using Long Short Term Memory Recurrent Neural Networks (LSTM-RNN). Sensors, 2018, vol. 18, no. 10, art. no. 3470. https://doi.org/10.3390/s18103470

[8] Liang S., Guo T., Chen R., Li X. Hybrid Filtering Compensation Algorithm for Suppressing Random Errors in MEMS Arrays. Micromachines, 2024, vol. 15, no. 5, art. no. 558. https://doi.org/10.3390/mi15050558

[9] Xiao C., Zhu Q., Hu H., Zhang X., Chen X., Song X. Using AKF-PSR to Compensate Random Drift Errors of Low-Cost MEMS Gyroscopes. IEEE Sensors Journal, 2019, vol. 19, no. 16, pp. 6802–6810. https://doi.org/10.1109/JSEN.2019.2912400

[10] Alam M.M., Soares A., Rodrigues-Jr J.F., Spadon G. Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences. Arxiv:2506.12029, 2025. https://doi.org/10.48550/arXiv.2506.12029

[11] Wu Y., Wang C., Yin L., Guo S., Qin Y. Accurate and Steady Inertial Pose Estimation through Sequence Structure Learning and Modulation. Advances in Neural Information Processing Systems, 2024, vol. 37, pp. 42468–42493. https://doi.org/10.52202/079017-1345

[12] Abdallah M., Joung B.G., Lee W.J., Mousoulis C., Raghunathan N., Shakouri A., Sutherland J.W., Bagchi S. Anomaly Detection and Inter-Sensor Transfer Learning on Smart Manufacturing Datasets. Sensors, 2023, vol. 23, no. 1, art. no. 486. https://doi.org/10.3390/s23010486