Escolar Documentos
Profissional Documentos
Cultura Documentos
net/publication/267848000
Article
CITATIONS READS
13 412
4 authors, including:
Some of the authors of this publication are also working on these related projects:
Motion Control Architecture for a Wheeled Mobile Robot for Energy Optimization View project
All content following this page was uploaded by Douglas D. S. Santana on 09 September 2016.
Abstract This paper describes the implementation of an Inertial Navigation System using a low cost, strapdown inertial
measurement unit. The equations and definitions necessary to model the problem are presented. Besides, the paper addresses the
main difficulties one have to face to perform position estimation in practical applications. The precision of the estimates is
optimized by processing the signals with a Kalman Filter. The experimental results are then presented using this system to
estimate a closed loop car trajectory.
Keywords Inertial Navigation Systems, Strapdown Systems, Platform, Coordinate Systems, Inertial Navigation System’s
Mechanization, Attitude.
Resumo Este trabalho descreve a implementação de um sistema de navegação inercial utilizando uma central inercial do tipo
Strapdown, de baixo custo. São apresentadas as equações e definições necessárias para modelar o problema. Além disso,
apresentam-se as principais dificuldades para a estimação de posição na prática, com precisão adequada. A precisão das
estimações é otimizada, processando-se os sinais por meio de um Filtro de Kalman. Apresentam-se os resultados obtidos,
utilizando o sistema para reconstruir a trajetória realizada por um carro em um percurso fechado.
Palavras-chave Sistemas de Navegação Inercial, Sistema Strapdown, Plataforma, Sistemas de Coordenadas, Mecanização do
Sistema de Navegação Inercial, Atitude.
δ ay k +1 0
filtro de Kalman para se obter as estimativas de
0 0 0 0 0 0 1 0 δ ay k
δ az estados do sistema, a partir do vetor de medidas de
k +1 0 0 0 0 0 0 0 0 1 δ az k
aceleração ak fornecidas pelos acelerômetros da UMI
w1k e do vetor de saídas vk fornecido pelo velocímetro.
0.5T2 0 0 1 0 0 0 0 0 0 0 0 2
2
0 w
0 0.5T 0 1 0 0 0 0 0 0 0 k Inicialização do filtro de Kalman
2 0 0 1 0 0 0 0 0 0 wk
3
0 0 0.5T
4
Entra com a matriz de covariância Entra com o vetor de estados Acelerações
iniciais Xo Entradas u k = a k = a x , a y , a z ,...
T 0 0 ax k 0 0 0 1 0 0 0 0 0 wk do erro inicial Po
y k = v k = v 0 , v 1 , v 2 , v 3 ,...
0 T
0 . ay k + 0 0 0 0 1 0 0 0 0 . w 5k (19) Velocidades
K = [ APH T + CG T ].[ HPH T + GG T ] −1 xˆ k +1 = Axˆ k + Buk + K (y k − H .xˆ k ) xˆ k = x 0 , x 1 , x 2,x 3 ,...
0 0 T az k 0 0 0 0 0 1 0 0 0 w6
k Computa o ganho do Atualiza estimativas com as Saídas estimadas
0 0 0
0 0 0 0 0 0 1 0 0 7 Projeta filtro de Kalman medições (aceleração/velocidade)
wk covariância a frente
0 0 0 0 0 0 0 1 0 8 Computa o erro de covariância para os estados atualizados
0 0 0
w P = (A − KH )P ( A − KH )T + ( C − KG )( C − KG ) T
0 0 0 0 0 0 0 0 0 0 0 1 k
9
wk Figura 3 – Funcionamento do filtro de Kalman
9. Alinhamento Inicial
Histograma do ruído de aceleração no eixo x Histograma do ruído de aceleração no eixo y
6000 4000
3500
3000
Número de amostras
Numero de amostras
4000
2000
500
6000
0.1
Kalman
0
0
-0.05
-0.1
-0.1
-0.2
-0.15 -0.3
A medida de referência utilizada foi a velocidade do
carro (que foi medida através do velocímetro). Como
-0.2 -0.4
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 0 1000 2000 3000 4000 5000 6000 7000 8000 9000
Tempo - iteraçoes Tempo - iteraçoes
-30
Agradecimentos
-40
-50
Esta pesquisa foi realizada dentro do contexto do
-60 projeto RENAPIGI (Rede Nacional de PIGs
-70 Instrumentados) da FINEP/CTPETRO. Os autores
-80
-100 -50 0 50 100 150
desejam agradecer à FINEP, à ANP e à CAPES pelo
E ixo x - metros apoio financeiro recebido, e ao CENPES-
Figura 7 – Trajetória do automóvel no plano XY PETROBRAS pelo apoio para a realização dos
estimada pelo filtro de Kalman experimentos.