| عنوان مقاله به انگلیسی | Physics-Informed Calibration of Aeromagnetic Compensation in Magnetic Navigation Systems using Liquid Time-Constant Networks |
| عنوان مقاله به فارسی | کالیبراسیون جبران مغناطیسی هوای مغناطیسی در سیستم های ناوبری مغناطیسی با استفاده از شبکه های زمان ثابت مایع |
| نویسندگان | Favour Nerrise, Andrew Sosa Sosanya, Patrick Neary |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | Magnetic navigation (MagNav) is a rising alternative to the Global Positioning System (GPS) and has proven useful for aircraft navigation. Traditional aircraft navigation systems, while effective, face limitations in precision and reliability in certain environments and against attacks. Airborne MagNav leverages the Earth’s magnetic field to provide accurate positional information. However, external magnetic fields induced by aircraft electronics and Earth’s large-scale magnetic fields disrupt the weaker signal of interest. We introduce a physics-informed approach using Tolles-Lawson coefficients for compensation and Liquid Time-Constant Networks (LTCs) to remove complex, noisy signals derived from the aircraft’s magnetic sources. Using real flight data with magnetometer measurements and aircraft measurements, we observe up to a 64% reduction in aeromagnetic compensation error (RMSE nT), outperforming conventional models. This significant improvement underscores the potential of a physics-informed, machine learning approach for extracting clean, reliable, and accurate magnetic signals for MagNav positional estimation. |
| تعداد صفحات | 7 |
| چکیده به فارسی (ترجمه ماشینی) | ناوبری مغناطیسی (MAGNAV) یک جایگزین فزاینده برای سیستم موقعیت یابی جهانی (GPS) است و برای ناوبری هواپیما مفید بوده است.سیستم های ناوبری هواپیمای سنتی ، در حالی که مؤثر است ، در دقت و قابلیت اطمینان در محیط های خاص و در برابر حملات ، محدودیت هایی در دقت و قابلیت اطمینان دارند.Magnav در هوا از میدان مغناطیسی زمین استفاده می کند تا اطلاعات دقیق موقعیتی را ارائه دهد.با این حال ، میدان های مغناطیسی خارجی ناشی از الکترونیک هواپیما و میدان های مغناطیسی در مقیاس بزرگ زمین ، سیگنال ضعیف تر مورد علاقه را مختل می کنند.ما یک رویکرد آگاهانه فیزیک را با استفاده از ضرایب Tolles-Lawson برای جبران خسارت و شبکه های ثابت مایع (LTC) معرفی می کنیم تا سیگنال های پیچیده و پر سر و صدا حاصل از منابع مغناطیسی هواپیما را حذف کنیم.با استفاده از داده های پرواز واقعی با اندازه گیری مگنتومتر و اندازه گیری هواپیما ، ما تا 64 ٪ کاهش خطای جبران خسارت هوایی (RMSE NT) را کاهش می دهیم ، و از مدل های معمولی استفاده می کنیم.این پیشرفت قابل توجه پتانسیل یک رویکرد یادگیری آگاهانه ، ماشین آگاهی از فیزیک را برای استخراج سیگنال های مغناطیسی تمیز ، قابل اعتماد و دقیق برای برآورد موقعیت Magnav تأکید می کند. |
| دسته بندی موضوعات | Machine Learning,Systems and Control,Computational Physics,Geophysics,یادگیری ماشین ، سیستم ها و کنترل ، فیزیک محاسباتی ، ژئوفیزیک ، |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. , Comments: Accepted at the NeurIPS 2023 Machine Learning and the Physical Sciences workshop, 7 pages, 4 figures, see code here: https://github.com/fnerrise/LNNs_MagNav/ |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد ، نظرات: پذیرفته شده در Neurips 2023 Learning Machine Learning و کارگاه علوم فیزیکی ، 7 صفحه ، 4 شکل ، کد را در اینجا ببینید: https://github.com/fnerrise/lnns_magnav/ |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.