ارائه یک رویکرد جدید برای دقت افزایی سامانه تلفیق GPS/INS بر مبنای فیلتر پیش‌بین تفاضلى در هنگام قطع سیگنال ماهواره و اجرای آن در آزمایشگاه

نوع مقاله : گرایش دینامیک، ارتعاشات و کنترل

نویسندگان

1 دانشگاه مالک اشتر

2 کنترل/برق و کامپیوتر/ مالک اشتر

چکیده

در این مقاله، یک روش جدید به نام فیلترکالمن پیش‌بین تفاضلى تعمیم‌یافته برای افزایش دقت سامانه تلفیق GPS/INS در هنگام قطع سیگنال ماهواره ارائه‌شده است. این روش در آزمایشگاه اجرا و با استفاده از سخت‌افزارهای تهیه‌شده تست و ارزیابی‌شده است. معادلات حاکم بر سامانه ناوبری اینرسی غیرخطی هستند. فرایند خطی‌سازی در فیلتر کالمن توسعه‌یافته باعث ایجاد خطای ناشی از تقریب خطی‌سازی می‌شود. علاوه بر این، معلوم نبودن مشخصات دقیق نویزهای اندازه‌گیری و سیستم، باعث تولید خطا در تخمین می‌شود. در روش پیشنهادی، خطاهای مدل‌سازی مثل خطای خطی‌سازی و خطای ماتریس‌های وزنی نویز معادل خطای مدل فیلتر فرض شده و با بهره‌گیری از مفاهیم کنترل پیش‌بین و با استفاده از فیلتر کالمن تعمیم‌یافته خطا تخمین زده‌شده و سپس جبران می‌شود. در این مقاله ابتدا معادلات کامل روش جدید پیشنهادی و روابط موردنیاز برای تلفیق سامانه GPS/INS توضیح داده‌ شده است. سپس، با بهره‌گیری از نتایج آزمایش‌ها، روش پیشنهادی جدید با روش فیلتر کالمن توسعه‌یافته مقایسه می‌شود. نتایج نشان می‌دهد که در الگوریتم جدید به دلیل توانایی آن در پیش‌بینی و جبران خطای مدل، هنگام قطع شدن سیگنال‌های گیرنده به مدت
s 30، خطای موقعیت حدود 50% کاهش می‌یابد. این روش به‌طور قابل‌توجهی عملکرد سامانه ناوبری اینرسی را بهبود می‌بخشد.

کلیدواژه‌ها

عنوان مقاله [English]

Proposing a New Approach to Increase the Accuracy of the GPS / INS Integration System Based on an Incremental Predictive Filter During GPS Outage and it's Implementation in the Laboratory

نویسندگان [English]

  • Nemat Ollah Ghahremani 1
  • Hassan Alhassan 2
1 Malek Ashtar University
2 Malek Ashtar University
چکیده [English]

This paper proposes a new method called the generalized incremental predictive Kalman filter (GIPKF) to increase the accuracy of the integrated GPS / INS systems when the satellite signal is not available. This method is performed in the laboratory and tested and evaluated using the prepared hardware. The equations governing the inertial navigation system are nonlinear and the linearization in the extended Kalman filter causes the linearization approximation error. The uncertainties in the measurement noises and system noises also, produce errors in the estimation. In the proposed method, the model errors such as the linearization error and the weighted noise matrices errors are assumed as the model’s filter error and are estimated and compensated using the concept of predictive filtering and the application of Kalman filter. In this paper first, the complete equations of the new proposed method and the relations required to integrate the GPS/INS system are explained. Then using the results of the experiments, the proposed method is compared to the extended Kalman filter method. The results show that the presented algorithm is more efficient since, when the GPS outage is about 30 seconds, the position error is reduced by about 50% due to the new method’s ability to predict and compensate for the model error. This method significantly improves the performance of inertial navigation systems.
In this paper, the complete equations of the proposed new method and the relations required to integrate the GPS/INS system are first explained. Then, using the test results, the proposed new method is compared with extended Kalman filter method. The results show that the presented algorithm is more efficient when the receiver signals are blocked due to its ability to predict and compensate for model error. This method significantly improves the performance of the inertial navigation system and corrects its errors.

کلیدواژه‌ها [English]

  • Incremental Predictive Filter
  • Inertial Navigation System
  • Modeling Error
  • Integrated Navigation System

Smiley face

مراجع

  1. Titterton, D., J.L. Weston, and J. Weston, “Strapdown inertial navigation technology”. Vol. 17, 2004##
  2. Sun, R. et al. Robust “IMU/GPS/VO integration for vehicle navigation in GNSS degraded urban areas”. IEEE Sensors Journal, Vol. 20, No.17, pp. 10110-10122. 2020##
  3. Farrell, J. “Aided navigation: GPS with high rate sensors”. 2008: McGraw-Hill, Inc.##
  4. Ghanbarpourasl, H. “A new robust quaternion-based initial alignment algorithm for stationary strapdown inertial navigation systems”. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, p. 0954410020920473. 2020##
  5. Yan, F. et al. “An Intelligent Adaptive Kalman Filter for Integrated Navigation Systems”. IEEE Access,
    Vol. 8, p. 213306-213317. 2020##
  6. Anbu, N.A. and D. Jayaprasanth. “Integration of Inertial Navigation System with Global Positioning System using Extended Kalman Filter”. in 2019 International Conference on Smart Systems and Inventive Technology (ICSSIT). 2019. IEEE.##
  7. Aslinezhad, M. A. Malekijavan, and P. Abbasi, “ANN-assisted robust GPS/INS information fusion to bridge GPS outage”. EURASIP Journal on Wireless Communications and Networking, Vol. 1, pp. 1-18. 2020##
  8. Hu, G. et al. “Unscented kalman filter with process noise covariance estimation for vehicular INS/GPS integration system”. Information Fusion, Vol. 64, pp. 194-204. 2020##
  9. Lin, M. and B. Kim, “Extended Particle-Aided Unscented Kalman Filter Based on Self-Driving Car Localization”. Applied Sciences,Vol. 10, No.15, p. 5045. 2020##
  10. Dong, Y. et al. “Tightly coupled GNSS/INS integration with robust sequential kalman filter for accurate vehicular navigation”. Sensors,Vol. 20, No. 2, pp. 561, 2020.##
  11. Liu, X. et al. “Interacting Multiple Model UAV Navigation Algorithm Based on a Robust Cubature Kalman Filter”. IEEE Access,Vol. 8, pp. 81034-81044, 2020.##
  12. Crassidis, J.L. and F.L. Markley, “Predictive Filtering for Nonlinear Systems”. Journal of Guidance Control Dynamics, Vol. 20, No. 3, pp. 566-572. 1997.##
  13. Cao, L. and H. Li, “Norm-constrained predictive filtering for attitude estimation”. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering,Vol. 230 No. 10. pp. 2000-2006, 2016.##
  14. Zhang, L. et al. “Federated nonlinear predictive filtering for the gyroless attitude determination system”. Advances in Space Research, Vol. 58 No. 9, pp. 1671-1681, 2016.##
  15. Fang, J. and X. Gong, “Predictive iterated Kalman filter for INS/GPS integration and its application to SAR motion compensation”. IEEE Transactions on Instrumentation and Measurement, Vol. 59, No.4, pp. 909-915, 2009.##
  16. Qiuying, W., et al. “Integrated navigation method using marine inertial navigation system and star sensor based on model predictive filtering”. in 2018 IEEE/ION Position, Location and Navigation Symposium (PLANS). 2018. IEEE.##
  17. Fathi, M., et al., “Incremental predictive Kalman filter for alignment of inertial navigation system”. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, p.0954410018794324, 2018.##
  18. Ghahramani, N.O. and F. Towhidkhah, “Constrained incremental predictive controller design for a flexible joint robot”. ISA transactions,Vol. 48, No.3, pp. 321-326, 2009.##
  19. Jekeli, C., “Inertial navigation systems with geodetic applications”. 2012: Walter de Gruyter.##
  20. Yadegari, A., Nazari M.S. and Ghahramani, N.O. “Application and Evaluation of Laguerre Functions in Helicopter Flight Control System Designed by Model Predictive Control”, Aerospace Mechanics Journal,
    Vol. 15, No. 1, pp. 25-38, 2018. (In Persian)##
  21. 2 ADIS16488A “Tactical grade inertial sensor”, Datasheet for Analog Devices, http//www.analog.com, 2018.##

فایل ها

سابقه مقاله

  • تاریخ دریافت: 24 تیر 1400
  • تاریخ بازنگری: 25 مرداد 1400
  • تاریخ پذیرش: 20 بهمن 1400
  • تاریخ انتشار: 01 بهمن 1400

هم رسانی

ارجاع به این مقاله

آمار