基于神经网络增强的空中磁异常导航在线标定
机器学习
2026-03-10 v1
摘要
空中磁异常导航 (MagNav) 提供了一种抗干扰且稳健的卫星导航备选方案，但需要实时补偿飞机平台的大型动态磁干扰。现有方法通常依赖 extensive 离线标定飞行或预训练，导致部署 operational 门槛。我们提出一种全自适应 MagNav 架构，具备 cold-start 能力，能够在飞行中完整识别和补偿飞机的磁特征。该方法利用扩展卡尔曼滤波器（EKF），增强状态向量同时估计飞机的动力学状态以及 Tolles-Lawson 标定模型系数和神经网络参数，以建模飞机干扰。卡尔曼滤波器的更新在数学上等价于在线 Natural Gradient 下降，将最先进的二阶优化的收敛性和数据效率直接集成到导航滤波器中。为增强操作鲁棒性，神经网络被限制在残差学习角色，仅建模物理基线标定模型无法纠正的非线性。经 MagNav 挑战数据集验证，我们的框架仅使用磁力计特征集即可有效限制惯性漂移。结果表明， navigation accuracy 相当于离线训练的先进模型，无需 prior 标定飞行或专用机动动作。
引用
@article{arxiv.2603.08265,
title = {Airborne Magnetic Anomaly Navigation with Neural-Network-Augmented Online Calibration},
author = {Antonia Hager and Sven Nebendahl and Alexej Klushyn and Jasper Krauser and Torleiv H. Bryne and Tor Arne Johansen},
journal= {arXiv preprint arXiv:2603.08265},
year = {2026}
}