طراحی یک رویت‌گر حالت توسعه‌یافته مقید جهت پیاده‌سازی عملی در سیستم ناوبری ترکیبی اینرسی-موقعیت‌یاب جهانی

نوع مقاله : گرایش دینامیک، ارتعاشات و کنترل

نویسندگان

1 استادیار، دانشکده مهندسی برق، دانشگاه تفرش، تفرش، ایران

2 نویسنده مسئول: استادیار، دانشکده مهندسی مکانیک، دانشگاه صنعتی سهند، تبریز، ایران

چکیده

در این مقاله به طراحی و پیاده‌سازی عملی یک رویت‌گر حالت توسعه‌یافته مقید برای سیستم ناوبری ترکیبی اینرسی-موقعیت‌یاب جهانی در حضور نامعینی‌های مدل و خطاهای حسگرهای اینرسی پرداخته می‌شود. برای دسترسی به یک مدل دقیق و قابل ‌اطمینان از سیستم ناوبری اینرسی در حضور قطعی‌ سامانه موقعیت‌یاب جهانی، استفاده از قیود فیزیکی در طراحی رویت‌گر پیشنهاد می‌شود. در روش پیشنهادی، با در نظر گرفتن جمله دربرگیرنده­ی عدم‌قطعیت‌های مدل و خطاهای حسگرهای اینرسی به‌ عنوان یک متغیر حالت جدید، تخمینی از این متغیر در کنار متغیرهای حالت سیستم ناوبری اینرسی ارائه می‌شود. همچنین، استفاده از قیود حرکتی و محیطی شامل قیود غیرهولونومیک و قیود ارتفاع موجب بهبود دقت تخمین‌ها، کاهش انباشت خطا و افزایش پایداری دینامیکی تخمین‌ها می‌شود. از داده‌های تجربی در جهت بررسی عملکرد رویت‌گر پیشنهادی در محیط آزمایش واقعی استفاده می‌شود. نتایج حاصل، حاکی از این است که عدم‌قطعیت‌های مدل و خطاهای حسگرهای اینرسی در سیستم ناوبری اینرسی به‌صورت برخط به‌خوبی تخمین زده می‌شود. بدین ترتیب رویت‌گر طراحی‌شده می­تواند با بهره‌گیری از اطلاعات سامانه موقعیت‌یاب جهانی در مواقع حضور این سامانه و استفاده از قیود فیزیکی در مواقع قطعی، تخمین قابل اعتمادی از متغیرهای حالت ارائه نماید. همچنین، الگوریتم پیشنهادی به دلیل حجم محاسبات کم، سریع بوده و برای پیاده‌سازی عملی مناسب است.

تازه های تحقیق

  • طراحی رویت‌گر حالت توسعه‌یافته مقید برای سیستم ناوبری ترکیبی.
  • استفاده از قیود غیرهولونومیک و قیود ارتفاع در طراحی رویت‌گر.
  • پیاده‌سازی عملی رویت‌گر پیشنهادی در محیط آزمایش واقعی.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Design of a Constrained Extended State Observer for Practical Implementation on an INS/GNSS Integrated Navigation System

نویسندگان [English]

  • Elahe Sadat Abdolkarimi 1
  • Sadra Rafatnia 2
1 Assistant Professor, Department of Electrical Engineering, Tafresh University, Tafresh, Iran
2 Corresponding author: Assistant Professor, Faculty of Mechanical Engineering, Sahand University of Technology, Tabriz, Iran
چکیده [English]

This paper addresses the design and practical implementation of a constrained extended state observer for integration between an inertial navigation system (INS) and a global navigation satellite system (GNSS) navigation system in the presence of model uncertainties and inertial sensor errors. The use of physical constraints in the observer design can achieve an accurate and reliable model for the inertial navigation system during GNSS outages. The proposed method provides an estimate of this variable alongside the state variables of the inertial navigation system by considering the term including model uncertainties and inertial sensor errors as a new state variable. Additionally, the use of motion and environmental constraints in the proposed observer, including non-holonomic constraints and altitude constraints, improves estimation accuracy, reduces error accumulation, and increases the dynamic stability of the estimates. The performance of the proposed observer is evaluated through vehicle tests in a real-world test environment. The results indicate that the model uncertainties and inertial sensor errors in the inertial navigation system can be estimated in real-time. Thus, the designed observer can provide reliable estimates of the state variables by using GNSS information during its availability and utilizing physical constraints during GNSS outages. Furthermore, the proposed algorithm is fast due to its low computational load, making it suitable for practical implementation.

کلیدواژه‌ها [English]

  • Inertial navigation system
  • Global navigation satellite system
  • Extended state observer
  • Physical constraints
  • Practical implementation


Smiley face

مراجع

[1] Abdolkarimi, ES, Mosavi, MR, Rafatnia, S, Martín, D. A hybrid data fusion approach to AI-assisted indirect centralized integrated SINS/GNSS navigation system during GNSS outage.  IEEE Access. 2021; 9: 100827-100838. DOI: https://doi.org/10.1109/ACCESS.2021.3096422.
[2] Keighobadi J, Faraji J, Janabi-Sharifi F, Hamed MA. Design and experimental evaluation of block-pulse functions and Legendre polynomials observer for attitude-heading reference system. ISA transactions. 2021; 116, 232-244. DOI: https://doi.org/10.1016/j.isatra.2021.01.027.
[3] Rafatnia S, Mirzaei M. Estimation of reliable vehicle dynamic model using IMU/GNSS data fusion for stability controller design. Mechanical Systems and Signal Processing. 2022; 168: 108593. DOI: https://doi.org/10.1016/j.ymssp.2021.108593.
[4] Rafatnia S, Nourmohammadi H, Keighobadi J, Badamchizadeh MA. In-move aligned SINS/GNSS system using recurrent wavelet neural network (RWNN)-based integration scheme. Mechatronics. 2018; 54: 155-165. DOI: https://doi.org/10.1016/j.mechatronics.2018.08.001.
[5] Ghasrizadeh R, Nikkhah AA. Improved Spoofing Loosely Coupled INS/GPS with Steady State Kalman Matrix Gain. Space Science and Technology. 2023; 16(3): 37-49. DOI: https://doi.org/10.30699/jsst.2023.1425.
[6] Jafari M, Sangary A, Roshanyan J. Integrated inertial navigation with positioning system for increasing orbital module navigation accuracy. Space Science and Technology. 2012; 5(3): 11-19.
[7] Khankalantary S, Rafatnia S, Mohammadkhani H. An adaptive constrained type-2 fuzzy Hammerstein neural network data fusion scheme for low-cost SINS/GNSS navigation system. Applied Soft Computing. 2020; 86: 105917. DOI: https://doi.org/10.1016/j.asoc.2019.105917.
[8] Nourmohammadi H, Keighobadi J. Decentralized INS/GNSS system with MEMS-grade inertial sensors using QR-factorized CKF. IEEE Sensors Journal. 2017; 17(11): 3278-3287. DOI: https://doi.org/10.1109/JSEN.2017.2693246.
[9] Hu G, Gao S, Zhong Y. A derivative UKF for tightly coupled INS/GPS integrated navigation. ISA transactions. 2015; 56: 135-144. DOI: https://doi.org/10.1016/j.isatra.2014.10.006.
[10] Park G. Optimal vehicle position estimation using adaptive unscented Kalman filter based on sensor fusion. Mechatronics. 2024; 99: 103144. DOI: https://doi.org/10.1016/j.mechatronics.2024.103144.
[11] Zhou J, Knedlik S, Loffeld O. INS/GPS tightly-coupled integration using adaptive unscented particle filter. The Journal of Navigation. 2010; 63(3): 491-511. DOI: https://doi.org/10.1017/S0373463310000068.
[12] Nassar S, El-Sheimy N. INS error model improvement for enhanced INS/GPS navigation during GPS signal blockage periods. Survey Review. 2006; 38(301): 563-572. DOI: https://doi.org/10.1179/sre.2006.38.301.563.
[13] Li H, Yang G, Cai Q. Stochastic characteristic simulation method of inertial devices based on Allan variance matching. IEEE Sensors Letters. 2024. DOI: https://doi.org/10.1109/LSENS.2024.3414612.
[14] Rafatnia S, Nourmohammadi H, Keighobadi J. Fuzzy-adaptive constrained data fusion algorithm for indirect centralized integrated SINS/GNSS navigation system. Gps Solutions, 2019; 23(3): 62. DOI: https://doi.org/10.1007/s10291-019-0845-z.
[15] Abdolkarimi ES, Abaei G, Mosavi MR. A wavelet-extreme learning machine for low-cost INS/GPS navigation system in high-speed applications. GPS Solutions. 2018; 22: 1-13. DOI: https://doi.org/10.1007/s10291-017-0682-x.
[16] Abdolkarimi ES, Mosavi MR. Wavelet-adaptive neural subtractive clustering fuzzy inference system to enhance low-cost and high-speed INS/GPS navigation system. GPS Solutions. 2020; 24(2): 36. DOI: https://doi.org/10.1007/s10291-020-0951-y.
[17] Abdolkarimi ES, Mosavi MR. low-cost integrated MEMS-based INS/GPS vehicle navigation system with challenging conditions based on an optimized IT2FNN in occluded environments. GPS Solutions. 2020; 24(4): 108. DOI: https://doi.org/10.1007/s10291-020-01023-9.
[18] Abdolkarimi ES, Abaei G, Selamat A, Mosavi, MR. A hybrid Type-2 Fuzzy Logic System and Extreme Learning Machine for low-cost INS/GPS in high-speed vehicular navigation system. Applied Soft Computing. 2020; 94: 106447. DOI: https://doi.org/10.1016/j.asoc.2020.106447.
[19] Abdolkarimi ES, Mosavi MR. A Modified Neuro-Fuzzy System for Accuracy Improvement of Low-Cost MEMS-Based INS/GPS Navigation System. Wireless Personal Communications. 2021; 129(2): 1369-1392. DOI: https://doi.org/10.1007/s11277-023-10194-w.
[19] Wei X, Lang P, Li J, Feng K, Zhan Y. A hybrid optimization method based on extreme learning machine aided factor graph for INS/GPS information fusion during GPS outages. Aerospace Science and Technology. 2024; 152, 109326. DOI: https://doi.org/10.1016/j.ast.2024.109326.
[20] Nourmohammadi H, Keighobadi J. Design and experimental evaluation of indirect centralized and direct decentralized integration scheme for low-cost INS/GNSS system. GPS Solutions. 2018; 22, 1-18. DOI: https://doi.org/10.1007/s10291-018-0732-z.
[21] Khankalantary S, Sadra Rafatnia, Mohammadkhani H. Design and implementation of a centralized predictive model estimation algorithm with the fuzzy approach for in-motion alignment of a low-cost integrated INS/GPS inertial navigation system. Journal of Aerospace Mechanics. 2022; 17(4): 1-14. DOR: https://dor.isc.ac/dor/20.1001.1.26455323.1400.14.4.1.9.
مکانیک هوافضا
دوره 20، شماره 3 - شماره پیاپی 77
شماره پیاپی 77، فصلنامه پاییز
آذر 1403
صفحه 31-46

فایل ها

هم رسانی

ارجاع به این مقاله

آمار