بهبود موقعیت‌یابی ناوبری تلفیقی با استفاده از شبکه‌عصبی چندلایه غیرخطی و فیلتر کالمن مقاوم در هنگام قطعی GPS

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی برق-دانشگاه علوم و فنون هوایی شهید ستاری- تهران- ایران

چکیده

تعیین موقعیت و جهت‌یابی دقیق از اصلی‌ترین نیازها جهت ناوبری وسایل نقلیه نظامی می‌باشد. روش‌های مختلفی برای تعیین موقعیت وسیله وجود دارد. سیستم ناوبری اینرسی (INS) یکی از روش‌های تعیین موقعیت و وضعیت وسیله نقلیه است که مستقل از فرستنده و لوازم جانبی خارجی کار می‌کند. به دلیل وجود نویز، بایاس و عوامل تاثیرگذار دیگر، خطای این سامانه در طول زمان همواره افزایشی می‌باشد، لذا برای دستیابی به دقت بالاتر در ناوبری‌های طولانی مدت، حداقل به یک سامانه کمک ناوبری نیاز است. از این رو، اصلاح خطا به کمک تلفیق داده‌های INS و سامانه موقعیت‌یابی جهانی (GPS) با استفاده از فیلتر کالمن توسعه‌یافته مقاوم (REKF) در این مقاله مورد بررسی قرار گرفته است. در هنگام ورود وسایل نقلیه به مناطق دشمن که دارای مسدودکننده سیگنال هستند، سیگنال GPS نیز قطع شده، مشاهدات فیلتر به روزرسانی نشده و در نتیجه، موقعیت نهایی خطای افزایشی خواهد داشت. لذا در این سناریو بجای فیلتر کالمن از شبکه عصبی آموزش دیده شده جهت پیش‌بینی موقعیت در هنگام قطعی GPS استفاده شده است. به منظور پیاده‌سازی و تست الگوریتم، سخت‌افزاری با پردازنده و سنسورهای مدنظر طراحی و داده‌ها را به صورت آنلاین ذخیره و الگوریتم تلفیق داده‌های GPS/INS مبتی بر فیلتر کالمن و شبکه عصبی بر آن اعمال شده است. نتایج نشان می‌دهد خطای موقعیت با استفاده از شبکه عصبی تا حدود 70 درصد در هر سه راستا بهبود داشته است.

کلیدواژه‌ها

مراجع

  • F. Abdel-Hafez, “The Autocovariance Least Squares Technique for GPS Interference/Jamming Detection.” IFAC Proceedings, Vol. 41, no. 2, pp. 8990-8995, 2008.
  • S. Maybeck, "Stochastic models, estimation, and control, Vol. 3, Academic press, 1982.
  • Magnusson and T.Odenman “Improving absolute position of an automotive vehicle using GPS in sensor fusion,” Department of Signals and Systems, Chalmers University of Technology, 2012.
  • G. Lu, “Development of a GPS multi-antenna system for attitude determination,” Department of Geomatics, University of Calgary, 1995.
  • Nassar, “Improving the inertial navigation system (INS) error model for INS and INS/DGPS applications.” Department of Geomatics, University of Calgary, Engineering, 2003.
  • Duc-Tan, P. Fortier, and H.T. Huynh, “Design, simulation, and performance analysis of an INS/GPS system using parallel Kalman filters structure,” REV Journal on Electronics and Communications,” Vol. 1, no. 2, pp. 88-96, 2011.
  • Y. Cho, and B.D. Kim, “Adaptive IIR/FIR fusion filter and its application to the INS/GPS integrated system,” Automatica Vol. 44, no. 8, pp. 2040-2047, 2008.
  • Hu, S. Gao, Y. Zhong, “A derivative UKF for tightly coupled INS/GPS integrated navigation,”ISA transactions, Vol. 56, no. 1, pp. 135-144, 2015.
  • Ning, Yipeng, Jian Wang, Houzeng Han, Xinglong Tan, and Tianjun Liu. "An optimal radial basis function neural network enhanced adaptive robust Kalman filter for GNSS/INS integrated systems in complex urban areas." Sensors18, no. 9 (2018): 3091.
  • Zhang and B. Li, “A low-cost GPS/INS integration based on UKF and BP neural network,” Fifth International Conference on Intelligent Control and Information Processing, IEEE, pp. 100-107, Dalian, China, 2014.
  • Yao, X. Xu, C. Zhu, and C.Y. Chan, “A hybrid fusion algorithm for GPS/INS integration during GPS outages,” Measurement, Vol. 103, pp. 42-51, 2015.
  • Chen, C. Shen, W. Zhang, M. Tomizuka, Y. Xu, and K. Chiu, “Novel hybrid of strong tracking Kalman filter and wavelet neural network for GPS/INS during GPS outages,” Measurement, Vol. 46, no. 10, pp. 3847-3854, 2013.
  • Gelb, Applied Optimal Estimation, Massachusetts Institute of Technology Press, 1974.
  • Fujita and N. Kanda, Physics of Leap Second, Department of Physics, Faculty of Science and Technology, 2009.
  • Xu and Y. Xu, GPS: theory, algorithms and applications, Springer, 2016.
  • Z. Sasiadek and P. Hartana, "GPS/INS Sensor fusion for accurate positioning and navigation based on Kalman Filtering," IFAC Proceedings. 37, pp. 115-20, 2004.
  • J. Woodman, “An introduction to inertial navigation.” No. UCAM-CL-TR-696, Computer Laboratory, University of Cambridge, 2007.
  • Titterton, David, John L. Weston, and John Weston. Strapdown inertial navigation technology. Vol. 17. IET, 2004.
  • O. Salytcheva, Medium accuracy INS/GPS integration in various GPS environments, University of Calgary, 2004.
  • El-Rabbany, “Introduction to GPS: the global positioning system.” Artech House Mobile Communications Series, 2nd Edition, Boston, 2002.
  • Quinchia A.G., Falco G., Falletti E., Dovis F., Ferrer C., "A comparison between different error modelling of MEMS applied to GPS/INS integrated systems," Sensors, 13, pp. 9549–9588, 2013.
  • Wang J., Han H., Meng X., Li Z., "Robust wavelet-based inertial sensor error mitigation for tightly coupled GPS/BDS/INS integration during signal outages," Survey Review, 49(357), pp. 419-427, 2017.
  • Zhang, Yuexin. "A fusion methodology to bridge GPS outages for INS/GPS integrated navigation system." IEEE Access7 (2019): 61296-61306.
  • Bai, Yuting, Baihai Zhang, Senchun Chai, Xuebo Jin, Xiaoyi Wang, and Tingli Su. "Continuous Estimation of Motion State in GPS/INS Integration Based on NARX Neural Network." In 2018 37th Chinese Control Conference (CCC), pp. 4179-4184. IEEE, 2018.
  • Sukkarieh, Low cost, high integrity, aided inertial navigation systems for autonomous land vehicles, Department of Mechanical and Mechatronic Engineering, University of Sydney, 2000.
  • Li, Xu, Wei Chen, Chingyao Chan, Bin Li, and Xianghui Song. "Multi-sensor fusion methodology for enhanced land vehicle positioning." Information Fusion46 (2019): 51-62.
  • T. Pham and B.S. Yang, “A hybrid of nonlinear autoregressive model with exogenous input and autoregressive moving average model for long-term machine state forecasting,” Expert Systems with Applications, Vol. 37, no. 4, pp. 3310-3317, 2010.
نشریه علمی پژوهشی مهندسی هوانوردی
دوره 21، شماره 2
آذر 1398
صفحه 46-56

فایل ها

سابقه مقاله

  • تاریخ دریافت: 24 دی 1399
  • تاریخ پذیرش: 24 دی 1399

هم رسانی

ارجاع به این مقاله

آمار