تُعتبر وحدات القياس بالقصور الذاتي (IMUs) من العناصر الأساسية في أنظمة الملاحة المتكاملة، حيث أنها تمثل مدخلات حيوية تحدد دقة وموثوقية الحلول المستخدمة. ومع ذلك، تظل دقة وحدات IMUs منخفضة التكلفة محصورة بسبب قيود الأجهزة. لكن بفضل التطورات الأخيرة في الذكاء الاصطناعي التوليدي، ظهرت قدرة مذهلة على نمذجة البيانات المعقدة وإعادة بناء الإشارات عالية الدقة.

من هنا، تقدم دراسة جديدة إطار عمل للتعلم التوليدي المبني على الانتشار، يهدف إلى توليد بيانات افتراضية عالية الدقة لوحدات القياس الناتجة من قياسات IMU منخفضة التكلفة. يعتمد نموذج الانتشار الشرطي على معمارية U-Net، حيث تُستخدم قياسات IMU عالية الجودة كمرجع حقيقي، بينما تُعتمد قياسات IMU منخفضة التكلفة كمدخلات شرطية.

تُستخدم البيانات الافتراضية التي يتم توليدها بواسطة النموذج في مهام الملاحة وتحديد الموقع. وأظهرت النتائج التجريبية أن البيانات الافتراضية المُنتجة تتفوق بشكل كبير على قياسات IMU الأصلية المنخفضة التكلفة في دقة تحديد الموقع وتقدير الاتجاه.

علاوة على ذلك، تم نقل النموذج إلى تجارب رسم الخرائط الجوية، حيث أنتجت الطريقة المقترحة سُحب نقاط أنحف وأكثر تماسكًا. بشكل عام، يكسر الإطار المقترح حدود الأداء لوحدات IMU منخفضة التكلفة، ويظهر الإمكانيات الكبيرة للتعلم التوليدي المبني على الانتشار في توليد بيانات IMU عالية الجودة.