доктор технических наук;
doctor of technical sciences;
кандидат технических наук;
candidate of technical sciences;
кандидат технических наук;
candidate of technical sciences;
В статье рассмотрена задача повышения точности автономного определения навигационных параметров беспилотного локомотива в условиях отсутствия спутникового позиционирования. Предложен алгоритм позиционирования на основе комплексирования расширенного фильтра Калмана и сети Колмогорова — Арнольда. Фильтр производит оценивание пройденного пути и скорости по нелинейной модели движения благодаря одометру и тахометру. Сеть Колмогорова — Арнольда формирует упреждающий прогноз вектора состояния с учетом уклона и кривизны маршрута. Научная новизна заключается в использовании прогноза от сети в качестве априорной оценки фильтра и введении оценки доверия к прогнозу, определяемой по статистике ошибок. Работоспособность алгоритма исследована при помощи моделирования движения локомотива при наличии шумов измерений, проскальзывания колесных пар, кратковременных пропусков измерений, случайных ускорений, переменного уклона и кривизны пути. Результат показал снижение среднеквадратических ошибок по положению и скорости в сравнении со стандартным расширенным фильтром Калмана. Наибольшая эффективность заметна на участках разгона и торможения, где точность начинает снижаться у обоих способов, но гибридная схема сохраняет преимущество. Алгоритм ориентирован на работу в автономных локомотивах. Полученные данные характеризуют эффективность схемы в пределах области данных, использованных для обучения KAN, и требуют проверки на реальных маршрутах с иными характеристиками.
the paper considers the problem of improving the accuracy of autonomous navigation-parameter estimation for an unmanned locomotive under unavailable or limited satellite positioning. A positioning algorithm based on the integration of an extended Kalman filter and a Kolmogorov — Arnold network is proposed. The extended Kalman filter estimates the travelled distance and velocity using a nonlinear model of longitudinal locomotive motion and measurements from autonomous sensors. The KAN module generates a predictive state estimate taking into account the track gradient and curvature. The scientific novelty consists in using the neural-network prediction to form an additional a priori estimate and in introducing a prediction-error covariance determined from validation data. The algorithm is studied by simulation under measurement noise, wheelset slip, short-term measurement outages, random longitudinal accelerations, variable gradient, and track curvature. The Railway-Precise-Localization dataset, containing precise GNSS/RTK and IMU measurements recorded onboard a railway vehicle, is used to form a reference railway trajectory. If standard odometer and tachometer channels are absent from the selected data, their measurements are generated by adding prescribed errors to the reference distance and velocity. The results demonstrate a reduction in position and velocity root-mean-square errors compared with a conventional extended Kalman filter. The results characterize the performance of the method within the domain represented in the training data and require additional validation on independent routes with different dynamic and geometrical characteristics.