Телефон: +7 (383)-312-14-32

Статья опубликована в рамках: LXX Международной научно-практической конференции «Технические науки - от теории к практике» (Россия, г. Новосибирск, 29 мая 2017 г.)

Наука: Технические науки

Секция: Транспорт и связь, кораблестроение

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Ибраев А.С. СИСТЕМА НАВИГАЦИИ ТРАНСПОРТНОГО СРЕДСТВА НА ОСНОВЕ ИНТЕГРИРОВАННОЙ ИНС/СНС/ОДОМЕТРИИ // Технические науки - от теории к практике: сб. ст. по матер. LXX междунар. науч.-практ. конф. № 5(65). – Новосибирск: СибАК, 2017. – С. 31-43.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

СИСТЕМА НАВИГАЦИИ ТРАНСПОРТНОГО СРЕДСТВА НА ОСНОВЕ ИНТЕГРИРОВАННОЙ ИНС/СНС/ОДОМЕТРИИ

Ибраев Айдос Саятулы

докторант PhD, Казахского Национального Университета им. аль-Фараби,

Казахстан,  г. Алматы

INTEGRATED INS/GPS/ ODOMETRY BASED NAVIGATION SYSTEM OF VEHICLE

Aidos Ibrayev

PhD student of Al-Farabi Kazakh National University,

Kazakhstan, Almaty

 

АННОТАЦИЯ

Целью данной статьи является создание интегрированной навигационной системы ИНС/GPS/Одометрии на основе дешевых датчиков с использованием слабосвязанного алгоритма Калмановской фильтрации. В результате интеграции преимущества каждого из датчиков компенсирует слабые стороны другого, позволяя создать относительно дешевую высокоточную систему навигации транспортного средства. Интеграция ИНС с Одометрией может обеспечивать неплохой навигационной информацией при задержке (блокировании) СНС сигналов в течении более чем 2 часов.

ABSTRACT

The purpose of this article is development of integrated INS/GPS/Odometry navigation system based on cheap sensors using the loosely-coupled Kalman filtering algorithm. As a result of integration, the advantages of each sensor compensate the weaknesses of other sensors that make possible the creation of cheap high-precision navigation system for the vehicles. Integration of INS with Odometry can provide good navigational information when GPS signals are blocked for more than 2 hours.

 

Ключевые слова: гибридная навигация, спутниковая навигация, ориентация, инерциальная навигация, гироскоп, акселерометр, одометр, фильтр Калмана.

Keywords: hybrid navigation, satellite navigation, orientation, inertial navigation, gyroscope, accelerometer, odometer, Kalman filter.

 

Введение

Информации GPS является основным источником навигационной информации для автономных транспортных средств, благодаря возможности привязки к местности передвигающегося транспортного средства в режиме реального времени с достаточной точностью и без временной деградации точности.

GPS – это система, предназначенная для определения точного местоположения объекта на Земле в любом месте, в любое время, и при любой погоде, основывающаяся на созвездии из 24 спутников. Он представляет собой точный и конкретный метод определения местоположения автомобиля. Для точного определения фактического положения (x, y, z) объекта в трехмерном пространстве (3D) с погрешностью менее 20 метров GPS-приемнику необходимы сигналы минимум от 4-х спутников. Кроме того, режим так называемой дифференциальной коррекции (DGPS -Differential GPS) позволяет уменьшить погрешность до 2 и менее сантиметров с помощью минимум 5 спутников. Тем не менее автомобильная навигация с GPS имеет один существенный недостаток: наличие препятствий (деревьев, тоннелей, зданий) может вызвать блок сигнала в течение неопределенного количества времени, что приводит к потере информации и сбою управления транспортным средством. Оптимальным решением проблемы является интегрирование данных GPS с инерциальной системой. [7]

Инерциальные навигационные системы (ИНС) определяют местоположение транспортного средства путем измерения линейного ускорения и угловой скорости, оказываемого на систему в инерциальной системе отсчета с помощью инерциальных блоков измерений (IMU). IMU представляет собой систему измерения, состоящую из датчиков угловых скоростей и акселерометров. С помощью IMU информации и одометра, можно определить фактическое местоположение автомобиля, зная начальные его положения, где точность навигации не зависит от внешних сигналов. Хотя, ИНС способна рассчитывать местоположение движущихся объектов без каких-либо дополнительных навигационных данных, полученных от других устройств, они подвержены накапливаемым со временем случайным ошибкам, которые приводят к высокому отклонению конечного результата при определении местоположения объекта. Поэтому, в мировой практике для улучшения результатов навигации, ИНС интегрируется с другой системой навигации.[1]

Интегрированные инерциально-спутниковые навигационные системы (ИНС/СНС) являются самым перспективным классом из всех ныне существующих современных навигационных систем, которые позволяют объединить достоинства и скомпенсировать недостатки, присущие ИНС и GPS в отдельности. Преимуществами ИНС/GPS по сравнению с обычным GPS, являются: непрерывность сигнала (функционирование при отсутствии GPS сигналов), возможность расчета угловой ориентации объекта, высокая частота получения навигационных данных. В интегрированных системах появляется возможность использовать недорогие, легкие и компактные ИНС, построенные на базе микроэлектромеханических (МЭМС) датчиков. Автономное использование таких ИНС затруднено ввиду нестабильности системных характеристик МЭМС гироскопов и акселерометров, которые при определении навигационных данных ведут к быстрому накоплению ошибки.[3]

Фильтр Калмана

Алгоритм работы Калмановской фильтрации показана на рисунке 1 [3, 4].

 

Рисунок 1. Алгоритм реализации фильтра Калмана

Где:

Коэффициент Калмана, от 0 до 1

вектор состояния, а  - его ковариационная матрица

Матрица перехода между моментами k-1 и k

ковариационная матрица процесса (шумы системы)

Вектор измерения

Матрица наблюдения

ковариационная матрица измерения

Слабосвязанная интеграция ИНС/СНС

Существуют четыре ныне известных типа комбинирования информации инерциальных и спутниковых навигационных систем:

  1. Прямая интеграция являться самым простым, быстрым и дешевым способом интеграции ИНС с СНС, что является преимуществом данного подхода. При этом подходе, информация GPS о местоположении объекта просто заменяется информацией ИНС. Недостатком этого подхода является то, что точность данного подхода ниже всех остальных подходов, и требует дорогостоящую ИНС высокой точности.
  2. В слабосвязанных системах решается задача коррекции решения ИНС с помощью позиции и скоростей СНС. К преимуществам такой интеграции можно отнести то, что она хорошо изучена в нынешнее время, и то, что она позволяет определить координаты объекта с высокой точностью, используя лишь дешевые ИНС и СНС датчики. Данный подход считается наилучшим для наземных транспортных средств [8, 9].
  3. Следующим видом по сложности в реализации является тесносвязанная интеграция ИНС/СНС, которая только недавно набирает популярность и меньше изучена по сравнению со слабосвязанными системами. При таком варианте интеграции для корректировки информации ИНС используется первичная информация СНС в виде кодовых псевдодальностей, доплеровских псевдоскоростей и фазовых измерении. По сравнению со слабосвязанными системами, такой подход обеспечивает точными навигационными оценками при высокодинамичном движении транспортного средства и в интервалах повышенных помех GPS-сигналов, а также обладает высокой гибкостью при плохой геометрии спутников, потери данных и различного рода ошибок ИНС. Но ее реализация гораздо дороже и сложнее. К тому же, при использовании других датчиков модели и алгоритмы подвергаются значительным изменениям. Главным же недостатком этого метода является то, что оно требует от проектировщиков доступа к аппаратным средствам и переменным, используемых в GPS приемнике. Поэтому такой подход не доступен для широкой публики [10].
  4. Глубокая интеграция появилась недавно и практически не изучена. В дополнение к варианту тесной интеграции, здесь выполняется обратная связь к СНС корреляторам. Таким образом, создается новый аппаратный комплекс, в котором чувствительными элементами являются не только инерциальные датчики, но и корреляторы СНС.

Известны две основных конфигурации слабосвязанной интеграции: с открытым и закрытым контуром.  В случае открытого контура, в Калмановском навигационном фильтре обрабатываются все измерения СНС (предварительно отфильтрованные позиция и скорость) и ИНС (позиция и скорость). Так как нет явной обратной связи, все меры используются без предварительной корректировки. Ошибки вычитываются из выходного сигнала. Реализация открытого контура является прямым и простым. Но, она пригодна только для высокоточных инерциальных датчиков и в короткие промежутки времени [8].

 

Рисунок 2. Слабосвязанная интеграция (открытый контур)

 

Для конфигурации с замкнутым контуром управление производиться от интегрирующего фильтра к инерциальным датчикам и/или механизированным уравнениям. Результаты предыдущего шага используются для минимизации ошибок.Такая конфигурация особенно эффективна при низкой точности датчиков. Так как ошибки ИНС характеризуются быстроизменчивостью, оценка и компенсация этих ошибок в реальном времени очень важны для повышения точности навигационных решений. На рисунке 3 изображена схема слабосвязанной интеграции с замкнутым контуром.

 

Рисунок 3. Слабосвязанная интеграция (замкнутый контур)

 

Слабосвязанные конфигурации имеют высокую точность, являясь при этом относительно дешевыми. Разработчик системы может сделать модель используя нужный ИНС и наиболее предпочтительный вариант конфигурацию (открытый либо замкнутый). Любой вспомогательный датчик может быть подключен к навигационной системе. Обратная связь, возвращающая состояние к инерциальным датчикам (от ошибок) приводит к сокращению ошибок ИНС, что очень важна для инерциальных единиц средней и низкой точности [8].

Децентрализованная фильтрация

Мы хотим интегрировать информацию СНС/ИНС/Одометрия в одном алгоритме. Мы имеем две дополнительные измерения скорости из разных систем позиционирования (СНС и одометрия) [2, 5, 6]. Чтобы объединить каждое из этих двух измерении с информацией ИНС, наш алгоритм объединения использует два одинаковых фильтра Калмана.

Затем выходы этих двух фильтров объединяем для оценки оптимальной общей оценки, сочетающей в себе максимум информации. Метод основан на процесс децентрализованной фильтрации Калмана (Рисунок 4), описанной в [2, стр. 373]. Каждый из этих фильтров имеет свою собственную ковариационную матрицу ошибок P. Эти матрицы ковариации ошибок используются для слияния двух фильтров. Каждый фильтр вносит свой вклад (имеет вес) в общую оценку обратно пропорциональную ее ковариационной матрице ошибок.

 

 

Рисунок 4. Интеграция СНС/ИНС/Одометрия на основе децентрализованной фильтрации.

 

Пусть,  и – оценки первого и второго фильтра, а  и  соответствующие им ковариационные матрицы ошибок. Тогда глобальная оценка слияния  будет выражаться уравнением (19). Чем меньше оценка ковариации ошибок, тем больше ее вклад в общей оценке (20).

(19)

(20)

В нашем случае  и  - позиция и скорости по трем осям, полученные от двух фильтров. Такой децентрализованный фильтр реализуется без исследования ошибки и сравнивания с ошибками оригинальных двух фильтров.

Результаты исследования

В качестве данных GPS для тестирования, мы использовали дешевый GPS-приемник Garmin GPS18, расположенный на автоматизированной машине Cybus компании INRIA (Париж-Рокенкур, Фанция). Данные с высокоточной GPS системы Ashtech Z-xtreme собранные в режиме RTK DGPS (RTK коррекция) рассматривались как реальные координаты приемника.

Началом координат выбрали главные ворота компании INRIA. Направление ОХ – с запада на восток, ОҮ – с юга на север.

Графики траектории движения нарисованные в матлабе интелектуального автомобиля получаемых из данных двух приемников выглядит следующим образом:

 

Рисунок 5. Координаты (в метрах) определенные в режимах  GPS (зеленый) и RTK DGPS (синий).

 

Ввиду того, что частота получения данных из двух приемников не совпадают, разработана программа синхронизации полученных данных. Для этого, для каждого времени прихода данных в режиме GPS находиться наиближайшее время прихода данных в RTK DGPS, и рассматриваються только эти значения RTK DGPS (частота GPS – 2Hz, частота RTK DGPS – 10Hz). Из синхронизированных данных вычисляем разницу координат по GPS от реальных координат:

 

       

Рисунок 6. Отклонение расчитанных координат по осям ОХ и ОҮ в режиме GPS от реальных значении (в метрах), (шкала времени - секунды)

 

Расчтианные из указанных выше данных среднее квадратическое отклонение координат в простом режиме GPS = 8,8775 м^2.

В качестве инерциальной модули мы использовали дешевый IMU440 расположенный на борту интелектуального автомобиля Cybus, с откалиброванным нулевым смещением и чувствительностью. Для улучшени точности, используем одометрию – набор встроенных датчиков на колесах автомобиля.

Результаты определения координат на основе инерциального блока, состоящей из трехосного акселерометра, гироскопа и одометра получили следующий вид:

 

Рисунок 7. Координаты расчитанные с помощью данных, полученных с одометра и инерциальных датчиков (красная линия) в сравнении с данными RTK DGPS (синяя линия) (шкала - в метрах)

 

Расхождение координат определенных с помощью ИНС и Одометра от истинных значении получилась примерна равной 15 метров за 2 часа, что являеться очень хорошим результатом для МЭМС датчиков низкого класса. Такой результат стал возможным благодаря использованию одометрических измерении, а также калибрации системных ошибок гироскопов.

Для реализации интеграции ИНС/СНС/Одометрии, сначала надо решить задачу синхронизации, так как частота поступления сигналов из разных датчиков отличаються друг от друга. Частота GPS 5 Гц, датчики колес (одометр) выдают днные каждые 25 мс, а частота IMU больше 100 Гц. Высокая точность частоты GPS дает возможность использовать ее в качестве системы хронометрического контроля. Частота GPS будет использоваться для выполнения вычислений положения и фильтр Фурье для определения угловой скорости. Фильтр Фурье позволяет  получить гладкое значение в измерении угловой скорости и уменьшить погрешности дрейфа.

 

 

 

Рисунок 8. синяя линия – координаты по RTK DGPS, красная линия – результаты интеграции ИНС/GPS/Одометрии

 

В результате вычеслении, численное значение среднеквадратического отклонения координат расчитанных с помощью гибридной системы ИНС/СНС/Одометрии получилось 3,3654 м^2. То есть, мы получили гораздо лучшую точность, по сравнению с координатами определенными с помощью GPS и ИНС по отдельности.

Заключение

В результате интеграции ИНС/СНС/Одометрии с помощью слабосвязанного алгоритма Калмана, мы разработали высокоточную гибридную навигационную систему на основе дешевых датчиков для транспортных средств, лишенных недостатков ИНС и СНС по отдельности. Также, наша система имеет возможность определять местоположение автомобиля в местах недоступных для GPS с хорошой точностью достаточное количество времени.

 

Список литературы:

  1. Ахмедов Д. Ш., Раскалиев А. С., Шабельников Е. А., Ибраев А. С. «Методы и алгоритмы для устранения погрешностей программно-математического комплекса ИНС», Вестник автоматизации. Инженерно-технический журнал, КАЗАХСТАН, 2015 г., #2, стр. с 35 по 38.
  2. Brown Robert G., Hwang Patrick Y.C., “Introduction to Random Signals & Applied Kalman Filtering with MATLAB Exercises and Solutions”, 3rd edition, John Wiley & Sons, November 1997.
  3. Cannon M.E., Lachapelle G., and Sun H. “Development and Testing of an Integrated INS/GPS Cross-Linked System for Sub-Meter Positioning of A CF-188 Jet Fighter”. Institute of Navigation Annual Meeting/Cambridge/June 28-30, 1999.
  4. Kalman R. E., “A New Approach to Linear Filtering and Prediction Problems”, Transactions of the ASME–Journal of Basic Engineering, 82 (Series D): 35-45. 1960.
  5. Kelly A., “Some Useful Results for Closed-Form Propagation of Error in Vehicle Odometry”, report CMU-RI-TR-00-20, Robotics Institute, Carnegie Mellon University, Dec 1, 2000.
  6. Latombe J.-C., “Robot Motion Planning”, Kluwer Academic Publishers, December 1990.
  7. Milanés V., Naranjo J.E., González C., Alonso J., García R., and de Pedro T., “Sistema de Posicionamiento para Vehículos Autónomos” in Revista Iberoamericana de Automática e Informática Industrial, vol. 5, n. 4, pp. 36-41, Oct. 2008.
  8. Salychev O. S., Voronov V. V., Cannon M. E., N. Nayak, and Lachapelle G., “Low cost INS/GPS integration: Concepts and testing”. In Proceedings of the ION National Technical Meeting, pages 98-105, Anaheim, CA, 2000.
  9. Samson C., “Feedback Ccontrol of a Nonholonomic Car-Like robot”, A book presents results from the ESPRIT Basic Research Project, INRIA, 1997.
  10. Sukkarieh S., Eduardo M., "A High Integrity IMU/GPS Navigation Loop for Autonomous Land Vehicle Applications”, IEEE Transactions on robotics and automation, Vol. 15, No. 3, June 1999.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом