Análise de integração entre IMU e GPS utilizando filtro de Kalman
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações do ITA |
Texto Completo: | http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=1245 |
Resumo: | Sistemas de posicionamento por satélite, GNSS (Global Navigation Satellite System), são amplamente utilizados por navios, automóveis, aeronaves, tropas militares, medições geológicas, fornecendo basicamente posição, velocidade e referência de tempo. O uso, entretanto, é condicionado à disponibilidade do sinal eletromagnético proveniente dos satélites, que pode ser obstruído por montanhas, edifícios, florestas e túneis, por exemplo, sendo também suscetível às condições climáticas. Outra característica dos sistemas de posicionamento por satélite é que os dados são atualizados tipicamente com uma taxa entre 1Hz e 10Hz. Assim, estes sistemas representam uma fonte de informações que, apesar de possuir erros limitados e eventualmente pequenos, apresentam baixa taxa de atualização em relação à dinâmica de navegação e pode não estar disponível em todos os instantes. As unidades de medidas inerciais, IMU (Inertial Measurement Unit), são formadas por sensores que fornecem informações de força específica e velocidade angular. A partir daí, a computação dos cálculos das equações de navegação é feita para fornecer posição, velocidade e atitude do veículo. Uma vez que depende apenas dos dados da IMU e do conhecimento da condição inicial, estes sistemas são autônomos e independentes de qualquer fonte externa de sinais. Além disso, possuem taxas de atualização bem mais elevadas, variando entre cerca de 100Hz e 400Hz, e são menos suscetíveis a condições do ambiente do que o GNSS. Entretanto, os erros dos sensores inerciais, mesmo que pequenos, causam desvios crescentes na solução de navegação, tornando o sistema inercial pouco confiável para navegação de longa duração. Uma forma de aliar o melhor de cada sistema -- Inercial e GNSS -- é através da integração dos dados se seus sensores, de forma a se obter resultados que estejam disponíveis a uma taxa mais elevada e promover a redução e a limitação de erro através das atualizações do GNSS. Para tanto, um algoritmo bastante utilizado que consegue cumprir esta tarefa é o Filtro de Kalman (KF). Este trabalho apresenta um estudo de um sistema de integração de dados de navegação inercial, de uma IMU, com informações de sistemas de posicionamento por satélite. Aqui, o sistema GNSS escolhido é o GPS (Global Positioning System). A implementação do Filtro de Kalman é feita em ambiente MATLAB/Simulink, em que o movimento simulado de uma aeronave é utilizado como referência e o algoritmo é analisado, comparando-se dados de navegação estimados da aeronave, com a trajetória originalmente simulada. Os resultados aqui apresentados mostram o comportamento do erro do sistema integrado pelo Filtro de Kalman em relação aos dados de referência obtidos a partir do movimento simulado da aeronave, inclusive com a interrupção do sinal GNSS por um determinado período. |
id |
ITA_6a72389fc6080dd20f6f71f3ba0a7b3a |
---|---|
oai_identifier_str |
oai:agregador.ibict.br.BDTD_ITA:oai:ita.br:1245 |
network_acronym_str |
ITA |
network_name_str |
Biblioteca Digital de Teses e Dissertações do ITA |
spelling |
Análise de integração entre IMU e GPS utilizando filtro de KalmanAuxílios a navegaçãoFiltros de KalmanSensores inerciaisSistema de posicionamento globalFusão de multisensorEstimação de sistemasUnidades de medidaNavegação inercialControleEngenharia eletrônicaSistemas de posicionamento por satélite, GNSS (Global Navigation Satellite System), são amplamente utilizados por navios, automóveis, aeronaves, tropas militares, medições geológicas, fornecendo basicamente posição, velocidade e referência de tempo. O uso, entretanto, é condicionado à disponibilidade do sinal eletromagnético proveniente dos satélites, que pode ser obstruído por montanhas, edifícios, florestas e túneis, por exemplo, sendo também suscetível às condições climáticas. Outra característica dos sistemas de posicionamento por satélite é que os dados são atualizados tipicamente com uma taxa entre 1Hz e 10Hz. Assim, estes sistemas representam uma fonte de informações que, apesar de possuir erros limitados e eventualmente pequenos, apresentam baixa taxa de atualização em relação à dinâmica de navegação e pode não estar disponível em todos os instantes. As unidades de medidas inerciais, IMU (Inertial Measurement Unit), são formadas por sensores que fornecem informações de força específica e velocidade angular. A partir daí, a computação dos cálculos das equações de navegação é feita para fornecer posição, velocidade e atitude do veículo. Uma vez que depende apenas dos dados da IMU e do conhecimento da condição inicial, estes sistemas são autônomos e independentes de qualquer fonte externa de sinais. Além disso, possuem taxas de atualização bem mais elevadas, variando entre cerca de 100Hz e 400Hz, e são menos suscetíveis a condições do ambiente do que o GNSS. Entretanto, os erros dos sensores inerciais, mesmo que pequenos, causam desvios crescentes na solução de navegação, tornando o sistema inercial pouco confiável para navegação de longa duração. Uma forma de aliar o melhor de cada sistema -- Inercial e GNSS -- é através da integração dos dados se seus sensores, de forma a se obter resultados que estejam disponíveis a uma taxa mais elevada e promover a redução e a limitação de erro através das atualizações do GNSS. Para tanto, um algoritmo bastante utilizado que consegue cumprir esta tarefa é o Filtro de Kalman (KF). Este trabalho apresenta um estudo de um sistema de integração de dados de navegação inercial, de uma IMU, com informações de sistemas de posicionamento por satélite. Aqui, o sistema GNSS escolhido é o GPS (Global Positioning System). A implementação do Filtro de Kalman é feita em ambiente MATLAB/Simulink, em que o movimento simulado de uma aeronave é utilizado como referência e o algoritmo é analisado, comparando-se dados de navegação estimados da aeronave, com a trajetória originalmente simulada. Os resultados aqui apresentados mostram o comportamento do erro do sistema integrado pelo Filtro de Kalman em relação aos dados de referência obtidos a partir do movimento simulado da aeronave, inclusive com a interrupção do sinal GNSS por um determinado período.Instituto Tecnológico de AeronáuticaElder Moreira HemerlyGustavo Baldo CarvalhoIslan Peterson Monteiro Ferreira2009-10-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=1245reponame:Biblioteca Digital de Teses e Dissertações do ITAinstname:Instituto Tecnológico de Aeronáuticainstacron:ITAporinfo:eu-repo/semantics/openAccessapplication/pdf2019-02-02T14:02:36Zoai:agregador.ibict.br.BDTD_ITA:oai:ita.br:1245http://oai.bdtd.ibict.br/requestopendoar:null2020-05-28 19:35:43.976Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáuticatrue |
dc.title.none.fl_str_mv |
Análise de integração entre IMU e GPS utilizando filtro de Kalman |
title |
Análise de integração entre IMU e GPS utilizando filtro de Kalman |
spellingShingle |
Análise de integração entre IMU e GPS utilizando filtro de Kalman Islan Peterson Monteiro Ferreira Auxílios a navegação Filtros de Kalman Sensores inerciais Sistema de posicionamento global Fusão de multisensor Estimação de sistemas Unidades de medida Navegação inercial Controle Engenharia eletrônica |
title_short |
Análise de integração entre IMU e GPS utilizando filtro de Kalman |
title_full |
Análise de integração entre IMU e GPS utilizando filtro de Kalman |
title_fullStr |
Análise de integração entre IMU e GPS utilizando filtro de Kalman |
title_full_unstemmed |
Análise de integração entre IMU e GPS utilizando filtro de Kalman |
title_sort |
Análise de integração entre IMU e GPS utilizando filtro de Kalman |
author |
Islan Peterson Monteiro Ferreira |
author_facet |
Islan Peterson Monteiro Ferreira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Elder Moreira Hemerly Gustavo Baldo Carvalho |
dc.contributor.author.fl_str_mv |
Islan Peterson Monteiro Ferreira |
dc.subject.por.fl_str_mv |
Auxílios a navegação Filtros de Kalman Sensores inerciais Sistema de posicionamento global Fusão de multisensor Estimação de sistemas Unidades de medida Navegação inercial Controle Engenharia eletrônica |
topic |
Auxílios a navegação Filtros de Kalman Sensores inerciais Sistema de posicionamento global Fusão de multisensor Estimação de sistemas Unidades de medida Navegação inercial Controle Engenharia eletrônica |
dc.description.none.fl_txt_mv |
Sistemas de posicionamento por satélite, GNSS (Global Navigation Satellite System), são amplamente utilizados por navios, automóveis, aeronaves, tropas militares, medições geológicas, fornecendo basicamente posição, velocidade e referência de tempo. O uso, entretanto, é condicionado à disponibilidade do sinal eletromagnético proveniente dos satélites, que pode ser obstruído por montanhas, edifícios, florestas e túneis, por exemplo, sendo também suscetível às condições climáticas. Outra característica dos sistemas de posicionamento por satélite é que os dados são atualizados tipicamente com uma taxa entre 1Hz e 10Hz. Assim, estes sistemas representam uma fonte de informações que, apesar de possuir erros limitados e eventualmente pequenos, apresentam baixa taxa de atualização em relação à dinâmica de navegação e pode não estar disponível em todos os instantes. As unidades de medidas inerciais, IMU (Inertial Measurement Unit), são formadas por sensores que fornecem informações de força específica e velocidade angular. A partir daí, a computação dos cálculos das equações de navegação é feita para fornecer posição, velocidade e atitude do veículo. Uma vez que depende apenas dos dados da IMU e do conhecimento da condição inicial, estes sistemas são autônomos e independentes de qualquer fonte externa de sinais. Além disso, possuem taxas de atualização bem mais elevadas, variando entre cerca de 100Hz e 400Hz, e são menos suscetíveis a condições do ambiente do que o GNSS. Entretanto, os erros dos sensores inerciais, mesmo que pequenos, causam desvios crescentes na solução de navegação, tornando o sistema inercial pouco confiável para navegação de longa duração. Uma forma de aliar o melhor de cada sistema -- Inercial e GNSS -- é através da integração dos dados se seus sensores, de forma a se obter resultados que estejam disponíveis a uma taxa mais elevada e promover a redução e a limitação de erro através das atualizações do GNSS. Para tanto, um algoritmo bastante utilizado que consegue cumprir esta tarefa é o Filtro de Kalman (KF). Este trabalho apresenta um estudo de um sistema de integração de dados de navegação inercial, de uma IMU, com informações de sistemas de posicionamento por satélite. Aqui, o sistema GNSS escolhido é o GPS (Global Positioning System). A implementação do Filtro de Kalman é feita em ambiente MATLAB/Simulink, em que o movimento simulado de uma aeronave é utilizado como referência e o algoritmo é analisado, comparando-se dados de navegação estimados da aeronave, com a trajetória originalmente simulada. Os resultados aqui apresentados mostram o comportamento do erro do sistema integrado pelo Filtro de Kalman em relação aos dados de referência obtidos a partir do movimento simulado da aeronave, inclusive com a interrupção do sinal GNSS por um determinado período. |
description |
Sistemas de posicionamento por satélite, GNSS (Global Navigation Satellite System), são amplamente utilizados por navios, automóveis, aeronaves, tropas militares, medições geológicas, fornecendo basicamente posição, velocidade e referência de tempo. O uso, entretanto, é condicionado à disponibilidade do sinal eletromagnético proveniente dos satélites, que pode ser obstruído por montanhas, edifícios, florestas e túneis, por exemplo, sendo também suscetível às condições climáticas. Outra característica dos sistemas de posicionamento por satélite é que os dados são atualizados tipicamente com uma taxa entre 1Hz e 10Hz. Assim, estes sistemas representam uma fonte de informações que, apesar de possuir erros limitados e eventualmente pequenos, apresentam baixa taxa de atualização em relação à dinâmica de navegação e pode não estar disponível em todos os instantes. As unidades de medidas inerciais, IMU (Inertial Measurement Unit), são formadas por sensores que fornecem informações de força específica e velocidade angular. A partir daí, a computação dos cálculos das equações de navegação é feita para fornecer posição, velocidade e atitude do veículo. Uma vez que depende apenas dos dados da IMU e do conhecimento da condição inicial, estes sistemas são autônomos e independentes de qualquer fonte externa de sinais. Além disso, possuem taxas de atualização bem mais elevadas, variando entre cerca de 100Hz e 400Hz, e são menos suscetíveis a condições do ambiente do que o GNSS. Entretanto, os erros dos sensores inerciais, mesmo que pequenos, causam desvios crescentes na solução de navegação, tornando o sistema inercial pouco confiável para navegação de longa duração. Uma forma de aliar o melhor de cada sistema -- Inercial e GNSS -- é através da integração dos dados se seus sensores, de forma a se obter resultados que estejam disponíveis a uma taxa mais elevada e promover a redução e a limitação de erro através das atualizações do GNSS. Para tanto, um algoritmo bastante utilizado que consegue cumprir esta tarefa é o Filtro de Kalman (KF). Este trabalho apresenta um estudo de um sistema de integração de dados de navegação inercial, de uma IMU, com informações de sistemas de posicionamento por satélite. Aqui, o sistema GNSS escolhido é o GPS (Global Positioning System). A implementação do Filtro de Kalman é feita em ambiente MATLAB/Simulink, em que o movimento simulado de uma aeronave é utilizado como referência e o algoritmo é analisado, comparando-se dados de navegação estimados da aeronave, com a trajetória originalmente simulada. Os resultados aqui apresentados mostram o comportamento do erro do sistema integrado pelo Filtro de Kalman em relação aos dados de referência obtidos a partir do movimento simulado da aeronave, inclusive com a interrupção do sinal GNSS por um determinado período. |
publishDate |
2009 |
dc.date.none.fl_str_mv |
2009-10-26 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/masterThesis |
status_str |
publishedVersion |
format |
masterThesis |
dc.identifier.uri.fl_str_mv |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=1245 |
url |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=1245 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do ITA instname:Instituto Tecnológico de Aeronáutica instacron:ITA |
reponame_str |
Biblioteca Digital de Teses e Dissertações do ITA |
collection |
Biblioteca Digital de Teses e Dissertações do ITA |
instname_str |
Instituto Tecnológico de Aeronáutica |
instacron_str |
ITA |
institution |
ITA |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáutica |
repository.mail.fl_str_mv |
|
subject_por_txtF_mv |
Auxílios a navegação Filtros de Kalman Sensores inerciais Sistema de posicionamento global Fusão de multisensor Estimação de sistemas Unidades de medida Navegação inercial Controle Engenharia eletrônica |
_version_ |
1706809267374260224 |