دوره 18، شماره 2 - ( مجله کنترل، جلد 18، شماره 2، تابستان 1403 )
جلد 18 شماره 2,1403 صفحات 53-37 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rajabi M J, Dehghan S M M, Mohammad-Hosseini S. Using invariant extended Kalman filter to integrate inertial navigation system and global positioning system. JoC 2024; 18 (2) :37-53
URL: http://joc.kntu.ac.ir/article-1-994-fa.html
URL: http://joc.kntu.ac.ir/article-1-994-fa.html
رجبی محمدجواد، دهقان سید محمد مهدی، محمدحسینی سعید. به‌کارگیری فیلتر کالمن توسعه‌یافته نامتغیر در تلفیق سیستم ناوبری اینرسی و سیستم موقعیت‌یاب جهانی. مجله کنترل. 1403; 18 (2) :37-53
1- مجتمع دانشگاهی برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران
2- دانشکده الکتروسرام و مهندسی برق، دانشگاه صنعتی مالک اشتر، اصفهان
2- دانشکده الکتروسرام و مهندسی برق، دانشگاه صنعتی مالک اشتر، اصفهان
چکیده: (3033 مشاهده)
استفاده از روش‌های مرسوم تلفیق سیستم ناوبری اینرسی با یک سیستم کمک ناوبری مانند سیستم ماهواره‌ای ناوبری جهانی به کمک فیلتر کالمن توسعه‌یافته نیازمند صرف زمان زیاد برای تعیین مقادیر اولیه نسبتاً دقیق در فرآیند ترازیابی اولیه است. این فیلتر در صورت وجود خطای اولیه بزرگ به دلیل وابستگی ژاکوبی‌ها به متغیرهای حالت، همگرایی کندی داشته و ممکن است واگرا گردد. فیلتر کالمن توسعه‌یافته نامتغیر با تغییر روش تعریف خطا و استفاده از تئوری تغییرناپذیری توانایی رفع این مشکل را داشته و همگرایی آن به خطای مقادیر اولیه وابستگی ندارد. در این مقاله با هدف حذف وابستگی ناوبری به ترازیابی اولیه، از این فیلتر برای تلفیق سیستم ناوبری اینرسی و سیستم موقعیت‌یاب جهانی استفاده‌شده است. بدین منظور با تعبیه کردن متغیرهای ناوبری به‌عنوان یک گروه لی ماتریسی و تعریف خطا به‌صورت ضرب ماتریسی، مستقل از حالت بودن دینامیک خطا اثبات و معادله آن ارائه می‌گردد. مقایسه نتایج تلفیق با استفاده از فیلتر کالمن توسعه‌یافته نامتغیر، فیلتر کالمن توسعه‌یافته استاندارد و توسعه‌یافته حالت خطا به کمک داده‌های واقعی و تحت خطاهای اولیه مختلف بیانگر کار آیی قابل‌توجه فیلتر کالمن نامتغیر، توانایی آن برای رفع واگرایی یا همگرایی کند روش‌های مرسوم و امکان کاهش زمان آماده‌به‌کار سیستم با حذف ترازیابی اولیه است.
واژه‌های کلیدی: تلفیق، سیستم ناوبری اینرسی، سیستم موقعیت‌یاب جهانی، خطای ترازیابی اولیه بزرگ، فیلتر کالمن توسعه‌یافته نامتغیر.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1402/4/27 | پذیرش: 1402/11/13 | انتشار الکترونیک پیش از انتشار نهایی: 1403/1/25 | انتشار: 1403/6/30
دریافت: 1402/4/27 | پذیرش: 1402/11/13 | انتشار الکترونیک پیش از انتشار نهایی: 1403/1/25 | انتشار: 1403/6/30
فهرست منابع
1. [1] D. H. Titterton and J. L. Weston, Strapdown inertial navigation technology. Institution of Engineering and Technology, 2004. [DOI:10.1049/PBRA017E]
2. [2] A. Noureldin, T. B. Karamat, and J. Georgy, Fundamentals of inertial navigation, satellite-based positioning and their integration. Springer Science & Business Media, 2013. [DOI:10.1007/978-3-642-30466-8]
3. [3] M. S. Grewal, A. P. Andrews, and C. G. Bartone, Global navigation satellite systems, inertial navigation, and integration. John Wiley & Sons, 2020. [DOI:10.1002/9781119547860]
4. [4] P. G. Savage, Strapdown analytics. Strapdown Associates, 2000.
5. [5] R. M. Rogers, Applied mathematics in integrated navigation systems. American Institute of Aeronautics and Astronautics, 2007.
6. [6] S. Thrun, W. Burgard, and D. Fox, Probabilistic robotics. The MIT Press, 2005.
7. [7] A. J. Krener, "The convergence of the extended Kalman filter," in Directions in mathematical systems theory and optimization: Springer, 2003, pp. 173-182. [DOI:10.1007/3-540-36106-5_12]
8. [8] D. Simon, Optimal State Estimation: Kalman, H∞, and Nonlinear Approaches. John Wiley and Sons, 2006. [DOI:10.1002/0470045345]
9. [9] G. P. Huang, A. I. Mourikis, and S. I. Roumeliotis, "Observability-based rules for designing consistent EKF SLAM estimators," The International Journal of Robotics Research, vol. 29, no. 5, pp. 502-528, 2010. [DOI:10.1177/0278364909353640]
10. [10] G. P. Huang, A. I. Mourikis, and S. I. Roumeliotis, "A quadratic-complexity observability-constrained unscented Kalman filter for SLAM," IEEE Transactions on Robotics, vol. 29, no. 5, pp. 1226-1243, 2013. [DOI:10.1109/TRO.2013.2267991]
11. [11] M. Raitoharju and R. Piché, "On computational complexity reduction methods for Kalman filter extensions," IEEE Aerospace and Electronic Systems Magazine, vol. 34, no. 10, pp. 2-19, 2019. [DOI:10.1109/MAES.2019.2927898]
12. [12] A. Barrau and S. Bonnabel, "An EKF-SLAM algorithm with consistency properties," arXiv:1510.06263, 2015.
13. [13] A. Barrau and S. Bonnabel, "The invariant extended Kalman filter as a stable observer," IEEE Transactions on Automatic Control, vol. 62, no. 4, pp. 1797-1812, 2016. [DOI:10.1109/TAC.2016.2594085]
14. [14] P. Rouchon and J. Rudolph, "Invariant tracking and stabilization: problem formulation and examples," in Stability and Stabilization of Nonlinear Systems, vol. 246: Springer, 2000, pp. 261-273. [DOI:10.1007/1-84628-577-1_14]
15. [15] N. Aghannan and P. Rouchon, "On invariant asymptotic observers," in Proceedings of the 41st IEEE Conference on Decision and Control, 2002, vol. 2, pp. 1479-1484: IEEE. [DOI:10.1109/CDC.2002.1184728]
16. [16] S. Bonnabel, P. Martin, and P. Rouchon, "Symmetry-preserving observers," IEEE Transactions on Automatic Control, vol. 53, no. 11, pp. 2514-2526, 2008. [DOI:10.1109/TAC.2008.2006929]
17. [17] S. Bonnabel, P. Martin, and P. Rouchon, "Non-linear symmetry-preserving observers on Lie groups," IEEE Transactions on Automatic Control, vol. 54, no. 7, pp. 1709-1713, 2009. [DOI:10.1109/TAC.2009.2020646]
18. [18] S. Bonnable, P. Martin, and E. Salaün, "Invariant extended Kalman filter: theory and application to a velocity-aided attitude estimation problem," in Proceedings of the 48h IEEE Conference on Decision and Control, 2009, pp. 1297-1304: IEEE. [DOI:10.1109/CDC.2009.5400372]
19. [19] P. Martin and E. Salaün, "Generalized Multiplicative Extended Kalman Filter for Aided Attitude and Heading Reference System," in AIAA Guidance, Navigation, and Control Conference, 2010. [DOI:10.2514/6.2010-8300]
20. [20] S. Bonnabel, "Left-invariant extended Kalman filter and attitude estimation," in 2007 46th IEEE Conference on Decision and Control, 2007, pp. 1027-1032: IEEE. [DOI:10.1109/CDC.2007.4434662]
21. [21] Y. Luo, M. Wang, C. Guo, and W. Guo, "Research on Invariant Extended Kalman Filter Based 5G/SINS Integrated Navigation Simulation," in China Satellite Navigation Conference, 2021, pp. 455-466: Springer. [DOI:10.1007/978-981-16-3142-9_43]
22. [22] Z. Zhang, J. Zhao, C. Huang, and L. Li, "Precise and robust sideslip angle estimation based on INS/GNSS integration using invariant extended Kalman filter," Proceedings of the Institution of Mechanical Engineers, 2022. [DOI:10.1177/09544070221102662]
23. [23] E. R. Potokar, K. Norman, and J. G. Mangelson, "Invariant extended kalman filtering for underwater navigation," IEEE Robotics and Automation Letters, vol. 6, no. 3, pp. 5792-5799, 2021. [DOI:10.1109/LRA.2021.3085167]
24. [24] A. Ibrahim, A. Abosekeen, A. Azouz, and A. Noureldin, "Enhanced Autonomous Vehicle Positioning Using a Loosely Coupled INS/GNSS-Based Invariant-EKF Integration," Sensors, vol. 23, no. 13, p. 6097, 2023. [DOI:10.3390/s23136097]
25. [25] X. Zhou, Y. Chen, Y. Liu, and J. Hu, "A Novel Sensor Fusion Method Based on Invariant Extended Kalman Filter for Unmanned Aerial Vehicle," in 2021 IEEE International Conference on Robotics and Biomimetics, 2021, pp. 1111-1116: IEEE. [DOI:10.1109/ROBIO54168.2021.9739235]
26. [26] L. Chang, F. Qin, and J. Xu, "Strapdown inertial navigation system initial alignment based on group of double direct spatial isometries," IEEE Sensors Journal, vol. 22, no. 1, pp. 803-818, 2021. [DOI:10.1109/JSEN.2021.3108497]
27. [27] J. E. Humphreys, Introduction to Lie algebras and representation theory. Springer Science & Business Media, 2012.
28. [28] W. M. Boothby, An introduction to differentiable manifolds and Riemannian geometry. Academic press, 2003.
29. [29] G. S. Chirikjian, Stochastic models, information theory, and Lie groups, volume 2: Analytic methods and modern applications. Springer Science & Business Media, 2009.
30. [30] S. C. Hsiung, "Toward Invariant Visual-Inertial State Estimation using Information Sparsification," Master's thesis, Carnegie Mellon University, 2018.
31. [31] Y. Luo, C. Guo, S. You, J. Hu, and J. Liu, "SE2(3) based Extended Kalman Filtering and Smoothing Framework for Inertial-Integrated Navigation," arXiv preprint arXiv:2102.12897, 2021. [DOI:10.1186/s43020-021-00061-z]
32. [32] M. S. Andrle and J. L. Crassidis, "Attitude estimation employing common frame error representations," Journal of Guidance, Control, and Dynamics, vol. 38, no. 9, pp. 1614-1624, 2015. [DOI:10.2514/1.G001025]
33. [33] A. Barrau, "Non-linear state error based extended Kalman filters with applications to navigation," Doctoral thesis, Mines Paristech, 2015.
34. [34] A. Barrau and S. Bonnabel, "The geometry of navigation problems," IEEE Transactions on Automatic Control, vol. 68, no. 2, pp. 689-704, 2022. [DOI:10.1109/TAC.2022.3144328]
35. [35] R. Hartley, M. Ghaffari, R. M. Eustice, and J. W. Grizzle, "Contact-aided invariant extended Kalman filtering for robot state estimation," The International Journal of Robotics Research, vol. 39, no. 4, pp. 402-430, 2020. [DOI:10.1177/0278364919894385]
36. [36] L. Chang and Y. Luo, "Log-linear Error State Model Derivation without Approximation for INS," IEEE Transactions on Aerospace and Electronic Systems, 2022. [DOI:10.1109/TAES.2022.3197726]
37. [37] A. Geiger, P. Lenz, and R. Urtasun, "Are we ready for autonomous driving? the kitti vision benchmark suite," in 2012 IEEE conference on computer vision and pattern recognition, 2012, pp. 3354-3361: IEEE. [DOI:10.1109/CVPR.2012.6248074]
38. [38] A. Geiger, P. Lenz, C. Stiller, and R. Urtasun, "Vision meets robotics: The kitti dataset," The International Journal of Robotics Research, vol. 32, no. 11, pp. 1231-1237, 2013. [DOI:10.1177/0278364913491297]
39. [39] OxTS, "RTv2 GNSS-aided Inertial Measurement Systems User Manual," [Online]. Available: www.oxts.com/app/uploads/2018/02/rtman.pdf, 2018.
40. [40] T. Qin, P. Li, and S. Shen, "Vins-mono: A robust and versatile monocular visual-inertial state estimator," IEEE Transactions on Robotics, vol. 34, no. 4, pp. 1004-1020, 2018. [DOI:10.1109/TRO.2018.2853729]
41. [41] Y. F. Jiang and Y. P. Lin, "Error estimation of INS ground alignment through observability analysis," IEEE Transactions on Aerospace and Electronic systems, vol. 28, no. 1, pp. 92-97, 1992. [DOI:10.1109/7.135435]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
