Inertial navigation is an edge computing-based method for determining the position and orientation of a moving vehicle that operates according to Newton’s laws of motion on which all the computations are performed at the edge level without need to other far resources. One of the most crucial struggles in Global Positioning System (GPS) and Inertial Navigation System (INS) fusion algorithms is that the accuracy of the algorithm is reduced during GPS interruptions. In this paper, a low-cost method for GPS/INS fusion and error compensation of the GPS/INS fusion algorithm during GPS interruption is proposed. To further enhance the reliability and performance of the GPS/INS fusion algorithm, a Robust Kalman Filter (RKF) is used to compensate the influence of gross error from INS observations. When GPS data is interrupted, Kalman filter observations will not be updated, and the accuracy of the position will continuously decrease over time. To bridge GPS data interruption, an artificial neural network-based fusion method is proposed to provide missing position information. A well-trained neural network is used to predict and compensate the interrupted position signal error. Finally, to evaluate the effectiveness of the proposed method, an outdoor test using a custom-designed hardware, GPS, and INS sensors is employed. The results indicate that the accuracy of the positioning has improved by 67% in each axis during an interruption. The proposed algorithm can enhance the accuracy of the GPS/INS integrated system in the required navigation performance.

惯性导航是一种基于边缘计算的方法，用于确定移动车辆的位置和方向，该移动车辆根据牛顿运动定律进行操作，在牛顿运动定律上，所有计算均在边缘级别执行，而无需其他远资源。全球定位系统（GPS）和惯性导航系统（INS）融合算法中最关键的斗争之一是，在GPS中断期间会降低算法的准确性。提出了一种低成本的GPS / INS融合方法和GPS中断时GPS / INS融合算法的误差补偿方法。为了进一步提高GPS / INS融合算法的可靠性和性能，使用了鲁棒卡尔曼滤波器（RKF）来补偿INS观测值产生的总误差的影响。GPS数据中断时 卡尔曼滤波器的观测值将不会更新，并且位置的精度会随着时间的推移不断降低。为了弥补GPS数据中断的不足，提出了一种基于人工神经网络的融合方法来提供丢失的位置信息。训练有素的神经网络用于预测和补偿中断的位置信号误差。最后，为了评估该方法的有效性，采用了使用定制设计的硬件，GPS和INS传感器的户外测试。结果表明，在中断期间，每个轴的定位精度均提高了67％。所提出的算法可以在所需的导航性能中提高GPS / INS集成系统的精度。提出了一种基于人工神经网络的融合方法，以提供丢失的位置信息。训练有素的神经网络用于预测和补偿中断的位置信号误差。最后，为了评估该方法的有效性，采用了使用定制设计的硬件，GPS和INS传感器的户外测试。结果表明，在中断期间，每个轴的定位精度均提高了67％。所提出的算法可以在所需的导航性能中提高GPS / INS集成系统的精度。提出了一种基于人工神经网络的融合方法，以提供丢失的位置信息。训练有素的神经网络用于预测和补偿中断的位置信号误差。最后，为了评估该方法的有效性，采用了使用定制设计的硬件，GPS和INS传感器的户外测试。结果表明，在中断期间，每个轴的定位精度均提高了67％。所提出的算法可以在所需的导航性能中提高GPS / INS集成系统的精度。使用定制设计的硬件，GPS和INS传感器进行室外测试。结果表明，在中断期间，每个轴的定位精度均提高了67％。所提出的算法可以在所需的导航性能中提高GPS / INS集成系统的精度。使用定制设计的硬件，GPS和INS传感器进行室外测试。结果表明，在中断期间，每个轴的定位精度均提高了67％。所提出的算法可以在所需的导航性能中提高GPS / INS集成系统的精度。