Study of artificial intelligence methods for projectile navigation
Étude des méthodes d’intelligence artificielle pour la navigation des projectiles
Résumé
Projectile navigation is based on the Inertial Measurement Unit and the GNSS (Global Navigation Satellite Systems) receiver readings fused by Kalman filters. However, these sensors present several limitations in terms of accuracy and availability. The goal of this thesis is to evaluate Artificial Intelligence (AI) contribution to optimize classical navigation methods to accurately estimate a projectile trajectory. Three methods are implemented to estimate a projectile trajectory. The first approach aims to adjust a noise parameter of a Kalman filter by a neural network to take into account the measurement errors and correlations. The second approach aims to replace all projectile trajectory mathematical models by a recurrent neural network. The third solution implemented evaluates the accuracy of a Kalman filter when at least one model is estimated by a neural network. The reported results highlight the interest of AI for projectile navigation, especially when conventional sensors such as GNSS receivers are not available. However, AI is not optimal to estimate projectile orientation.
La navigation des projectiles se base sur les mesures d'une Unité de Mesure Inertielle (IMU - Inertial Measurement Unit) et d'un récepteur GNSS (Global Navigation Satellite Systems), fusionnées par des filtres de Kalman. Toutefois, ces capteurs présentent plusieurs limitations notamment en termes de précision et de disponibilité. L’objectif de cette thèse est d’évaluer l’apport de l’intelligence artificielle (IA) pour optimiser les méthodes classiques de navigation afin d’estimer avec précision la trajectoire d'un projectile. Trois méthodes d'estimation de la trajectoire d’un projectile ont été mises en œuvre. La première approche consiste à ajuster un paramètre de bruit d’un filtre de Kalman par un réseau de neurones afin de tenir compte des erreurs et des corrélations des mesures. La deuxième méthode vise à remplacer tous les modèles mathématiques d’évolution de la trajectoire d’un projectile par un réseau de neurones récurrents. La troisième solution mise en œuvre évalue les performances d’estimation d’un filtre de Kalman où au moins l’un des modèles est estimé par un réseau de neurones. Les résultats obtenus montrent l’intérêt de l’IA pour la navigation des projectiles, notamment lorsque les capteurs classiquement utilisés comme le récepteur GNSS ne sont pas disponibles. Toutefois, l'IA n'est pas optimale pour estimer l'orientation d'un projectile.
Origine : Version validée par le jury (STAR)