【论文导读】A Novel FECAM-iTransformer Algorithm for Assisting INSGNSSNavigation Syste

论文名称：A Novel FECAM-iTransformer Algorithm for Assisting INSGNSSNavigation System during GNSS Outages

期刊：Applied Sciences

时间：2024

这篇论文的主要工作是提出了一种基于FECAM-iTransformer 算法的惯性导航系统（INS）/全球导航卫星系统（GNSS）集成导航系统，用于在GNSS信号中断时辅助INS，提高导航精度和稳定性。

数据集

论文使用了两个数据集，分别是大连理工大学提供的公共数据集（公共数据集链接）和作者团队自行采集的私有数据集。

公共数据集是使用高精度INS/GNSS集成导航设备（MTI710）在北京市通州区的开放道路上采集的，私有数据集是使用低成本的INS/GNSS集成导航系统和小型移动机器人平台在上海浦东新区的一所大学内采集的。

两个数据集均结合了IMU（惯性测量单元）和GNSS（全球导航卫星系统）的数据。

研究方向

论文的主要研究方向是解决在GNSS信号中断时INS导航精度快速下降的问题，属于短期预测（GNSS中断期间的导航辅助）。

通过深度学习模型提取IMU数据的时间域和频率域特征，生成伪GNSS信号，以辅助INS在GNSS中断期间保持高精度导航。

深度学习模型

论文提出了一种新型的深度学习模型 FECAM-iTransformer，该模型结合了 iTransformer 和FECAM（Frequency-Enhanced Channel Attention Mechanism，频率增强通道注意力机制）。

iTransformer：与传统的Transformer不同，iTransformer 将每个变量的整个输入序列作为“token”处理，能够更好地捕捉多通道数据之间的相关性。论文中使用的 iTransformer 模型能够处理多变量时间序列数据。它将每个变量的整个输入序列作为一个“token”处理，而不是像传统Transformer那样将每个时间步作为一个“token”。这种方法能够更好地捕捉多通道数据之间的相关性，从而提取时间域特征。
FECAM：通过离散余弦变换（DCT）将时间序列转换到频率域，并通过SE-Block（Squeeze and Excitation Block）增强有效频率信息，从而更好地提取频率域特征。IMU数据在频率域中可以表示为不同频率成分的叠加。例如，低频成分通常包含运动状态的有用信息，而高频成分则可能包含噪声。

提取`IMU`数据的时间域和频率域特征

IMU（惯性测量单元）数据主要包括三轴加速度和三轴角速度，共6个通道。因其为时序数据，每个通道的测量值随时间变化。例如，加速度数据可以反映车辆的加速、减速和匀速运动，而角速度数据可以反映车辆的旋转状态。

时间域特征

时间域数据：IMU数据是时间序列数据，每个通道的测量值随时间变化。例如，加速度数据可以反映车辆的加速、减速和匀速运动，而角速度数据可以反映车辆的旋转状态。
提取方法：论文中使用的 iTransformer 模型能够处理多变量时间序列数据。它将每个变量的整个输入序列作为一个“token”处理（输入共6个token），而不是像传统Transformer那样将每个时间步作为一个“token”（不是把“某一时刻的6个值”作为一个token）。这种方法能够更好地捕捉多通道数据之间的相关性，从而提取时间域特征。

频率域特征

频率域数据：IMU数据在频率域中可以表示为不同频率成分的叠加。例如，低频成分通常包含运动状态的有用信息，而高频成分则可能包含噪声。
提取方法：论文中引入了 FECAM（Frequency-Enhanced Channel Attention Mechanism），通过离散余弦变换（DCT）将时间序列数据转换到频率域。DCT将每个通道的IMU数据分解为不同频率成分的幅度和相位信息。然后，通过SE-Block（Squeeze and Excitation Block）对这些频率成分进行加权，增强有效频率信息，抑制噪声频率成分。

FECAM是一个频率增强模块，它位于iTransformer内部。每个token（即每个通道的完整序列）经过iTransformer编码后，FECAM对其频率域表示进行增强

具体过程：
- DCT转换：将每个通道的IMU数据从时间域转换到频率域，得到频率成分的幅度和相位。
- SE-Block：通过学习机制对频率成分进行加权，学习不同频率通道的重要性（即“注意力权重”）,增强有效频率成分，抑制噪声成分。
- 反变换：将增强后的频率域信息转换回时间域，得到优化后的特征表示。增强有效频率成分，抑制噪声频率成分。

FECAM并不会“过滤掉数据”，而是加权增强或抑制某些频率成分，数据仍然完整保留，只是被“加权”了。

生成伪 `GNSS` 信号

伪GNSS信号是指在GNSS信号中断期间，通过深度学习模型生成的模拟GNSS位置增量（δpGNSS），用于辅助INS保持高精度导航。

生成过程

输入数据：模型的输入是IMU数据（三轴加速度和三轴角速度）。
特征提取：通过iTransformer和FECAM提取时间域和频率域特征。
模型预测：模型根据提取的特征预测GNSS位置增量（δpGNSS）。
生成伪GNSS信号：将预测的GNSS位置增量（δpGNSS）加到上一个已知的GNSS位置（pGNSS(t-1)）上，得到当前时刻的伪GNSS位置（pGNSS(t)）。

伪`GNSS`信号的数据特征

位置增量（δpGNSS）：模型预测的是GNSS位置的增量，而不是绝对位置。这是因为位置增量更容易从IMU数据中推导出来。
数据格式：伪GNSS信号通常包括三个方向的增量（经度、纬度和高度）。
精度：生成的伪GNSS信号需要足够精确，以便在GNSS中断期间辅助INS保持高精度导航。论文中通过实验验证了生成的伪GNSS信号能够显著降低INS的定位误差。

训练目标

训练目标是预测GNSS信号增量（δpGNSS），即经纬高的变化量。

输入是过去L秒的IMU数据（6个通道），输出是下一时刻的GNSS位置增量。

训练完成后，在GNSS中断期间，用模型预测的增量+上一时刻的GNSS位置，得到“伪GNSS位置”。

说白了，就是将IMU的6个通道各作为一个完整序列token，通过FECAM-iTransformer提取时间域和频率域特征，训练模型预测GNSS位置增量（δpGNSS），从而在GNSS中断期间辅助INS保持高精度导航。

模型比较与效果

公共数据集（Path #1和Path #2） ：
- 在Path #1（较平稳的轨迹）上，所有基于神经网络的方法都能较好地拟合真实轨迹，但FECAM-iTransformer的误差最小。
- 在Path #2（包含急转弯和复杂轨迹）上，FECAM-iTransformer表现出更高的定位精度，与INS相比，位置误差显著降低。
私有数据集（Path #3） ：
- 在低成本传感器平台上，FECAM-iTransformer的性能优于其他方法，与INS相比，位置误差减少了99.9%。
- FECAM-iTransformer在频率域的增强使其在噪声环境下仍能保持较高的定位精度。