بهبود دقت و امنیت موقعیت یابی قطار با ترکیب GNSS، سنسورهای اینرسی و یادگیری ماشین

موقعیت یابی دقیق و امن پیش نیاز اصلی سیستم های نوین کنترل قطار مبتنی بر ماهواره است. سامانه های GNSS به تنهایی در محیط های چالش برانگیز مانند برش های کوهی، تونل ها و در برابر حملات پارازیت و فریب عملکرد ناپایدار دارند. تلفیق با سنسورهای اینرسی (INS) دقت را بهبود می بخشد اما در غیاب بازنشانی دوره ای خطا همچنان واگرا می شود. در این مقاله یک روش تلفیق عمیق داده های GNSS/INS مبتنی بر فیلتر کالمن توسعه یافته و شبکه ی عصبی عمیق پیشنهاد می شود که با بهره گیری از الگوریتم بهینه سازی چندهدفه ی AN-NSGA-II، پارامترهای مدل یادگیری را به گونه ای تنظیم می کند که همزمان خطای موقعیت یابی افقی و نفوذپذیری در برابر حملات سایبری کمینه شود. نتایج شبیه سازی و ارزیابی نیمه فیزیکی روی سناریوهای واقعی ریلی نشان می دهد که روش پیشنهادی خطای میانگین افقی را در محیط باز به ۴۵ متر کاهش ۷۴٪ نسبت به GNSS تنها، در محیط برش کوهی به ۰٫۸۲ متر کاهش ۵۹٪ نسبت به تلفیق سست و در شرایط پارازیت sweep با نسبت جی اس ۴۰ دسی بل به ۱٫۲۵ متر می رساند. همزمان نرخ تشخیص حملات فریب و پارازیت به ترتیب به ۹۶٪ و ۹۷٪ افزایش یافته و نرخ نگهداشت قفل GNSS در شرایط محوشدگی سیگنال از ۷۸ به ۹۶ بهبود می یابد. رویکرد پیشنهادی گامی موثر در جهت تحقق موقعیت یابی ایمن و کارآمد برای نسل آینده ی سیستم های کنترلی ریلی با محوریت قطار است.

کلیدواژه ها:

موقعیت یابی قطار مبتنی بر GNSS ، سنسورهای اینرسی ، یادگیری ماشین عمیق ، الگوریتم بهینه سازی چندهدفه