See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/267848000

ESTIMAÇÃO DE TRAJETÓRIAS UTILIZANDO SISTEMA DE NAVEGAÇÃO

INERCIAL STRAPDOWN

Article

CITATIONS READS

13 412

4 authors, including:

Douglas D. S. Santana Newton Maruyama

University of São Paulo University of São Paulo
7 PUBLICATIONS   46 CITATIONS    41 PUBLICATIONS   217 CITATIONS   

SEE PROFILE SEE PROFILE

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.

The user has requested enhancement of the downloaded file.

 ESTIMAÇÃO DE TRAJETÓRIAS UTILIZANDO SISTEMA DE NAVEGAÇÃO INERCIAL
STRAPDOWN

DOUGLAS D. S. SANTANA, VICTOR A. CAMPOS, CELSO M. FURUKAWA, NEWTON MARUYAMA

Laboratório de Sensores e Atuadores, Departamento de Engenharia Mecatrônica e Sistemas Mecânicos,

Escola Politécnica da Universidade de São Paulo
Av. Prof. Mello Moraes, 2231 – CEP: 05508-900 – São Paulo
E-mails: douglas.santana@poli.usp.br, victor.campos@poli.usp.br,
cmfuruka@usp.br, maruyama@usp.br

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.

1. Introdução meio de um Filtro de Kalman. Por fim, a seção 10

Navegação inercial é o processo pelo qual se
estabelecem informações sobre posição, velocidade,
atitude (posição de um corpo que é determinada pela
inclinação dos seus eixos com relação a algum
sistema de referencia) e direção de um veículo com
relação a um referencial, utilizando informações
fornecidas por sensores inerciais, tais como
acelerômetros e giroscópios (Titterton, 1997).
Medindo-se a aceleração de um corpo, torna-se
possível calcular as mudanças de velocidade e
posição através de sucessivas integrações
matemáticas. Movimentos rotacionais podem ser
obtidos a partir de giroscópios, que medem a
velocidade de rotação em torno de um eixo. A
construção de um sistema de navegação inercial
preciso é uma tarefa bastante complexa. Os
acelerômetros e giroscópios podem não estar
perfeitamente alinhados entre si, e os sinais gerados
estão sujeitos a problemas como ruído e deriva.
Nas seções seguintes, apresentam-se as principais
definições e equações relacionadas ao problema de
estimação inercial de trajetória. A seção 3 trata das
principais fontes de erro associadas à instrumentação
empregada. As seções 4 e 5 descrevem os sistemas
de coordenadas utilizadas em navegação inercial, e
as relações de transformação entre referenciais. A
seção 6 descreve os procedimentos necessários para
eliminar os efeitos de rotação e gravidade da Terra
que afetam a leitura dos acelerômetros. As seções 7,
8 e 9 descrevem a modelagem matemática da
navegação inercial, incluindo o processamento por
descreve os resultados obtidos a partir de um
experimento realizado com uma central inercial
montada em um veículo, realizando um percurso
fechado.
2. Configuração Strapdown e Plataforma
Strapdown é o nome dado para um sistema integrado
de medição inercial onde três acelerômetros e três
giroscópios são montados sobre eixos ortogonais
coincidentes e sobre uma mesma base rígida
(Titterton, 1997). Os eixos dos acelerômetros e dos
giroscópios devem ser coincidentes (paralelos) para
que se possam realizar transformações de
coordenadas. Esta tríade de sensores é então fixada
num veículo e passa a formar o sistema de
coordenadas do veículo, denominado sistema móvel
de coordenadas ou sistema de coordenadas roll-
pitch-yaw. Quando um sistema de sensores inerciais
strapdown é embarcado juntamente com um sistema
de controle eletrônico dedicado, tem-se então uma
estrutura denominada unidade de medição inercial
strapdown ou simplesmente “UMI”. Fixando uma
UMI num dado corpo ou veículo, temos um sistema
denominada Plataforma.
3. Ruídos e Erros de Sensores
As principais fontes de erros que corrompem a
precisão de um sistema de navegação inercial são
erros de sensores ou distúrbios aleatórios. Muitas
fontes de erros são de natureza aleatória e podem
apenas ser descritas através da teoria de processos
estocásticos (Papoulis, 1991). A seguir são dadas as
fontes de erros mais significativas que degradam o
processo de navegação inercial strapdown.
Bias: um erro de bias pode ser interpretado como
sendo um nível de sinal constante ou que varia muito
lentamente, independentemente do sinal de entrada.
Mesmo um sinal de bias constante pode mudar em
algumas condições, por exemplo ao se religar o
equipamento.
Fator de escala: trata-se de um erro que é
proporcional ao sinal de entrada. Entretanto, erros
deste tipo geralmente exibem algum grau de não
linearidade.
Drift térmico: os sensores são afetados pela
temperatura e devem ser compensados eletrônica-
mente. Como esta compensação nunca é perfeita, a
deriva térmica (drift) deve ser modelada como um
processo aleatório.
Erro de quantização: os sinais de saída dos
acelerômetros e giroscópios de uma UMI são obtidos
em instantes discretos de tempo. Isto produz um
ruído branco na saída que é proporcional à
magnitude da quantização.
Desalinhamento: refere-se ao desalinhamento
mecânico entre eixos. Idealmente os giroscópios e
acelerômetros definem uma base ortogonal idealiza-
da como estrutura da plataforma. Como é impossível
se obter um perfeito alinhamento mecânico da plata-
forma na prática, descrevem-se então os erros de
alinhamento de cada sensor com relação aos eixos da
plataforma como constantes aleatórias.
4. Sistemas de Coordenadas
Os sistemas de coordenadas são utilizados para
referenciar geograficamente um determinado corpo
ou veículo. Portanto para se definir a posição de um
objeto, deve-se especificar o sistema de coordenadas
no qual o objeto está inserido. Os sistemas de
coordenadas utilizados em navegação inercial
consistem de três eixos ortogonais entre si, sendo que
os mais utilizados são( Mohinder, 2001):
Sistema ECI (Earth-Centered-Inertial) – sua
origem está no centro de massa da Terra sendo que
seu eixo X aponta para o Sol passando pela linha do
equador, seu eixo Z passa pelo pólo norte e seu eixo
Y é orientado seguindo a regra da mão direita. O
sistema ECI é dito inercial por ser fixado com
relação a um corpo estelar distante.
Sistema ECEF (Earth-Centered, Earth-Fixed) –
sua origem está no centro de massa da Terra sendo
que seu eixo X passa pelo cruzamento entre a linha
do equador e o meridiano de Greenwich, seu eixo Z
passa pelo pólo norte e seu eixo Y é orientado
seguindo a regra da mão direita.
Sistema NED (North-East-Down) – conhecido
também como sistema de navegação local, sua
origem pode ser estabelecida em qualquer ponto do
globo terrestre, sendo que seu eixo X aponta para o
norte geográfico, seu eixo Z aponta para o centro da
Terra e seu eixo Y é referenciado de acordo com
regra da mão direita.
Sistema RPY (Roll-Pitch-Yaw) – são sistemas
cujos eixos são fixos num veículo, constituindo
assim uma estrutura denominada plataforma. O eixo
X (eixo de roll) do sistema RPY deve apontar para a
direção frontal do movimento do veículo, o eixo Y
(eixo de pitch) deve ser ortogonal a X e apontar para
a direita enquanto que o eixo Z (eixo de yaw) aponta
para baixo (regra da mão direita).
Figura 1 – Sistemas de coordenadas
A figura 1 ilustra a relação entre os quatro sistemas
de coordenadas. No globo terrestre estão os sistemas:
ECI cujos eixos são designados pelo prefixo (i), o
sistema ECEF com eixos designados pelo prefixo (e)
e o sistema NED ou sistema de navegação local,
onde os eixos são designados pelas letras (N, E, D).
O sistema RPY está fixo no corpo da aeronave que
por sua vez se movimenta com o sistema de
navegação local. O modelo terrestre adotado neste
texto considera que a Terra é uma esfera perfeita de
raio constante.
5. Transformação de Coordenadas
As transformações de coordenadas são utilizadas
para converter um vetor representado num
determinado sistema de coordenadas para um outro
sistema de coordenadas conveniente. Para exempli-
ficar, considere um vetor de acelerações tridimen-
sional no sistema NED que é representado por:
T
a NED = a N aE a D  (1)
A matriz de transformação de coordenadas que leva
o vetor de aceleração do sistema de coordenadas
NED para o Sistema RPY é definida como:
C RPY
NED (2)
Assim o novo vetor de acelerações no sistema RPY é
dado por
RPY
a RPY = CNED .aNED (3)
Neste trabalho optou-se pela utilização das matrizes
de transformação de coordenadas conhecidas como
“Ângulos de Euler”. A seguir são mostradas as  x   R. cos λ. cos φ 
matrizes de Euler que levam um vetor do sistema  y  = − R. sin λ . cos φ 
    (10)
NED para RPY (equação 4), do sistema RPY para  z   − R. sin φ 
NED (equação 5) e do sistema ECEF para NED onde R é a distância entre o centro de massa da Terra
(equação 8) - (Chatfield, 1997). e o centro de massa do veículo, e equivale
aproximadamente ao raio da Terra. Desta forma,
1 0 0  cosθ 0 − sin θ   cosψ sinψ 0
 pode-se calcular a aceleração centrífuga no sistema
CRPY
NED =  0 cos φ sin φ  .  0 1 0  .  − sinψ cosψ 0  (4)
 0 − sin φ cos φ   sin θ 0 cos θ   0 0 1 
de coordenadas ECEF e posteriormente converter
esta aceleração obtida para o sistema NED, através
 cosψ − sinψ 0   cos θ 0 sin θ  1 0 0 
da matriz (8). Finalmente, subtrai-se o vetor de
CNED 
RPY =  sin ψ cosψ 0  .  0 1 0  . 0 cos φ − sin φ  (5) aceleração centrifuga obtido e transformado para o
 0 0 1   − sin θ 0 cosθ  0 sin φ cos φ  sistema NED, do vetor de acelerações medida pelos
acelerômetros (também no sistema NED). Por fim, a
onde: ψ é o ângulo de rotação positiva sobre o eixo Z gravidade terrestre também deve ser compensada,
, θ é o ângulo de rotação positiva sobre o novo eixo pois os acelerômetros medem a chamada aceleração
Y e φ é o ângulo de rotação positiva sobre o eixo X específica, que é a soma da aceleração do corpo
(plataforma strapdown) e a componente gravitacional
resultante
g. A aceleração gravita-cional experimentada por um
corpo na superfície terrestre é dada por
6. Correção da Aceleração G.MT
g= ≈ 9.80665m / s 2 (11)
R2
Por não serem perfeitos, acelerômetros apresentam onde G é a constante gravitacional universal, MT é a
erros aleatórios que devem ser minimizados. Além massa da Terra e R é a distancia entre o centro da
destes erros, alguns fenômenos físicos devem ser terra até o centro de massa do veículo.
compensados, tais como a aceleração de Coriolis, a No sistema de coordenadas NED o vetor de
aceleração centrifuga e aceleração gravitacional. A aceleração gravitacional é dado por
aceleração de Coriolis é sentida por um veículo  0 
movendo-se em um referencial girante, e pode ser g =  0  m / s 2 (12)
modelada por 9.80665
 Ω1   v1  Ω 2 .v3 − Ω3 .v 2 
aCoriolis = 2.Ω ⊗ v = 2.  Ω 2  ⊗  v 2  = 2.  Ω3 .v1 − Ω1.v 3 
dado que a unidade de medição inercial registra a
(6)
aceleração gravitacional como “-g” este vetor de
 Ω3   v3   Ω1.v 2 − Ω 2 .v1 
aceleração gravitacional deve ser somado ao vetor de
onde Ω é o vetor de rotação da Terra no sistema de
acelerações medidas (sistema NED). Assim o modelo
coordenadas ECEF, dado por
 0 
final para se fazer às correções determinísticas do
Ω =  0  rad / s
(7) vetor de acelerações medidas torna-se então

 0.00007292

e ⊗ é a notação utilizada para designar o produto

a veículo = CNED ECEF ECEF
RPY .amedida − (C NED .2.Ω) ⊗ v + g − C NED .(Ω ⊗ (Ω ⊗ rv )) (13)
vetorial. O vetor v deve ser calculado a cada iteração,
integrando-se a aceleração estimada do veículo no a equação 13 é conhecida como “equação universal
sistema de coordenadas NED. Assim, para que os da navegação inercial”.
cálculos possam ser processados, torna-se necessário
transformar o vetor Ω, que está no sistema ECEF, 7. Modelo geral de um Sistema de Navegação
para o sistema NED através da matriz de Inercial
transformação
 0 0 1   cos φ 0 sin φ   cos λ sin λ 0 
A figura 2 mostra o modelo matemático geral de um
NED
CECEF =  0 1 0  .  0 1 0  .  − sin λ cos λ 0  (8) sistema de navegação inercial para estimar posições
 −1 0 0   − sin φ 0 cos φ   0 0 1  a partir de uma central inercial strapdown.
onde φ é a latitude do veículo e λ é a longitude.
Assim pode-se calcular a aceleração de Coriolis a
cada iteração e subtraí-la do vetor de acelerações
medidas (saída dos acelerômetros). É necessário
também fazer a correção da aceleração centrífuga,
que é causada pela diferença de posição do veículo e
o eixo de rotação da Terra. Esta aceleração é dada
por
a centrífuga = −Ω ⊗ (Ω ⊗ rv ) (9)
onde o vetor Ω é o vetor de rotação da Terra e rV é a
posição do veículo, ambos no sistema ECEF. A
posição do veículo pode ser calculada por Figura 2 – Modelo do sistema de navegação
Modelagem do sistema no espaço de estados
Para estimar a posição do veículo a partir dos dados
fornecidos pela UMI, será descrito o modelo no
espaço de estados discreto. O modelo do sistema no
espaço de estado discreto é descrito por
x k +1 = A.x k + B.u k + C.w k (14)
y k = H.x k + G.e k (15)
Nestas equações, xk, é o vetor de estados, uk é o
vetor de entradas, yk é o vetor de medidas de
referência (ou saídas), wk é um vetor de ruídos
aleatórios e ek é um vetor de erros de medição. As
matrizes A, B e C são matrizes que definem a
dinâmica do processo, enquanto que G e H são
matrizes que definem a equação de medição. Os
elementos diagonais das matrizes C e G, que
modelam os erros e ruídos, devem ser escolhidos
convenientemente de acordo com aplicação. Para o
exemplo a seguir, adota-se uma matriz de ruídos C =
I9x9 e uma matriz de erro G = I3x3.
Serão utilizadas as leis do movimento de Newton
para se obter a posição a partir da aceleração, onde a
equação da posição é dada por
1
pt = p0 + v0 .t + .a.t 2
2
Fazendo-se o período de amostragem igual a T, e
admitindo que T é muito pequeno, tem-se a equação
discreta da posição
1 w não tenha o mesmo perfil do ruído de referência e,
p k +1 = p k + v k .T + .a k .T 2
2
O vetor ak contém as acelerações fornecidas pela
UMI nas direções x, y e z, já transformadas para o
sistema NED, assim ak será o vetor de entradas. As
acelerações obtidas através da UMI possuem erros de
medidas e portanto será considerado o seguinte
modelo para descrever o vetor de aceleração real
a real, k = a k + δa k
(18)
onde, ak é a aceleração medida e δak é o erro de
medição. Como o erro de medição é uma variável a
ser estimada, o mesmo fará parte do vetor de estados.
Assim o nosso modelo é descrito por
 xk +1  1 0 0 T 0 0 0.5T2
 y  
0.5T2
 k +1  0 1 0 0 T 0 0 
 z k +1  0 0 1 0 0 T 0 0
 
 
 vxk +1  0 0 0 1 0 0 T 0
 vy k +1  = 0 0 0 0 1 0 0 T
  
Neste modelo, o vetor de estados é formado por nove
elementos: x, y e z são as três coordenadas de
posição, vx, vy e vz são as três componentes da
velocidade e äax, äay e äaz são as componentes do
erro de aceleração. O vetor de entradas é formado
por três elementos que são as componentes da
aceleração fornecidas pela UMI. Neste vetor já
devem estar feitas as correções determinísticas e a
transformação para o sistema NED. O vetor w,
composto por nove elementos independentes é um
vetor de ruídos aleatórios do processo. T é o período
de amostragem utilizado entre duas medições
consecutivas.
8. Filtro de Kalman
Uma simulação simples do sistema irá gerar erros de
posição elevados, após poucos minutos, e isso se
deve à presença dos ruídos aleatórios nas medidas
fornecidas pelos acelerômetros e giroscópios da
UMI. Como este ruído não é determinístico (não
possui modelo matemático), a forma mais adequada
de minimizar seus efeitos é através do Filtro de
Kalman (Brown, 1997) e (Rogers, 2000). Para se
(16) utilizar esse filtro, deve-se obter uma referencia do
vetor de estados (que pode ser a posição fornecida
por um odômetro ou a velocidade fornecida por um
velocímetro). É importante que o ruído do processo
(17) no caso de ambos possuírem o mesmo perfil o Filtro
de Kalman não irá funcionar adequadamente. Como
o ruído da UMI é um ruído cumulativo e o ruído do
odômetro ou velocímetro não o são, o Filtro de
Kalman consegue combinar satisfatoriamente estas
características de forma a estimar a posição do
veículo com erros relativamente pequenos. A seguir
é apresentado o modelo de medição de referencias,
onde e é um vetor de erros de medidas e y é o vetor
de medidas de referência (no caso, velocidades nas
três direções).
 xk 
 y 
 k 
 zk 
 y k  0 0 0 1 0 0 0 0 0   vx  1 0 0 e1k 
1
 k 
0 0   xk   2      
    y k  = 0 0 0 0 1 0 0 0 0  .  vy k  + 0 1 0 . ek2  (20)
0   yk   3   
   3
 y k  0 0 0 0 0 1 0 0 0   vz k  0 0 1  ek 
2  z
0.5T   δ ax 
k
  k 
0   vxk  δ ay k 
 .  vy  +
0   k 

δ az

 k

 vz k +1  0 0 0 0 0 1 0 0 T   vzk  A figura 3 mostra um diagrama de implementação do

δ ax     
 0 0 0 0 0 0 1 0 0  δ axk 
 k +1

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

Antes de se iniciar os cálculos para se obter a

5000

3000

Número de amostras
Numero de amostras
4000

posição instantânea da plataforma, é necessário 3000

2500

2000

efetuar um alinhamento inicial do sistema, onde se 2000

1500

deve estabelecer a atitude inicial da plataforma com 1000

1000

500

relação ao sistema de referência desejado. O 0

-0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15
0
-0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5

alinhamento inicial pode ser feito de muitas formas,

2 2
Faixas de aceleração – m/s Faixas de aceleração - m/s

Figura 5 – Histograma do ruído de aceleração

sendo que a mais simples é a utilização de uma
técnica conhecida por “girocompassing”, que utiliza
Os gráficos de ruído foram obtidos aquisitando-se os
os acelerômetros da UMI para efetuar o nivelamento
dados com a plataforma parada (sem aceleração) e
e os giroscópios para determinar o norte geográfico.
nivelada (aceleração gravitacional somente no eixo Z
O nivelamento é obtido inclinando-se a plataforma
da UMI).
até que apenas o acelerômetro do eixo Z apresente
leitura igual à aceleração gravitacional (-g). Para
Estimação de posição utilizando o duplo
determinação do norte geográfico, rotaciona-se a
integrador
UMI em torno do eixo Z até que o giroscópio do
eixo X apresente leitura nula e o giroscópio do eixo
Utilizando o duplo integrador, foi estimada a
Y apresente a velocidade de rotação da Terra (Ω). A
seguinte trajetória descrita pelo automóvel (no plano
técnica de girocompassing não pode ser aplicada em
XY):
UMI’s que possuam giroscópios com erros próximos Trajetoria realizada pelo automovel estimada pelo duplo integrador
ou superiores a 15.04 0/h, devido à impossibilidade 8000

de se medir a velocidade de rotação da Terra. 7000

6000

10. Descrição dos Testes Realizados 5000

E ixo y - metros

Foram realizados dois testes automotivos. Nestes 4000

testes, utilizou-se uma UMI VG700AA da 3000

Crossbow, que foi fixada no assoalho de um carro. O 2000

carro descreveu então um percurso plano em circuito 1000

fechado de aproximadamente 1.300 m de extensão, e
0
os dados de aceleração e rotação angular foram -1200 -1000 -800 -600
E ixo x - metros
-400 -200 0

coletados através do software Gyroview, adquirido

juntamente com a UMI. O software realiza um pré- Figura 6 – Trajetória do automóvel no plano XY
processamento dos dados coletados pelos sensores, estimada pelo duplo integrador
compensa erros determinísticos e aplica fatores de
escala, fornecendo os dados na unidade adequada, Nota-se que o erro de estimação de posição é muito
além de realizar uma calibração nos sensores. A taxa elevado, pois, como mostra a figura 4 os ruídos de
de amostragem utilizada foi de 50 amostras por aceleração são crescentes com o tempo e assim o
segundo. termo “a.t2” (equação 16) do duplo integrador gera
este tipo de erro, fazendo com que o ponto final da
Análise dos resultados trajetória não coincida com o ponto de partida.
Os erros de posição obtidos foram os seguintes:
Para estimar a trajetória descrita pelo veículo, foram
utilizados dois algoritmos: Duplo Integrador e Filtro Erro x – 960,5 m ; Erro y – 7253,2 m
de Kalman. Para análise dos algoritmos empregados,
dois tipos de dados foram utilizados: ruídos de Como o teste durou aproximadamente 4 minutos e o
aceleração x e y (figura 4), cujo objetivo é observar espaço total percorrido foi de 1300 m, esses erros são
se possui média nula e histogramas dos ruídos de da ordem de 70% para o eixo x e de 550% para o
aceleração x e y, cujo objetivo é observar se a eixo y. Isso faz com que seja inviável utilizar as
natureza dos ruídos é gaussiana (figura 5). medidas dos sensores da UMI sem uma referência
(como é feito no duplo integrador). Assim, a
utilização do filtro de Kalman torna-se essencial
0.15
Ruído de aceleração no eixo x
0.4
Ruído de aceleração no eixo y neste caso.
0.1 0.3

Estimação de posição utilizando o filtro de

0.2
0.05
Aceleração
Aceleração

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

Figura 4 – Ruídos de aceleração o velocímetro mede a velocidade do carro no sistema

RPY, é necessário efetuar uma transformação de
 coordenadas para o sistema NED. Executando o Para melhorar as análises dos resultados, a próxima
programa que implementa o filtro de Kalman, etapa dos testes contará com um conjunto de dados
obteve-se a seguinte trajetória: obtidos com um sistema DGPS (Differential Global
10
Trajetoria realizada pelo automovel estimada pelo filtro de K al man
Position System). Este conjunto de dados
0
possibilitará uma melhor análise e melhora dos
-10
resultados, pois a precisão do DGPS é de ordem
submétrica.
-20
E ixo y - metros

-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.

A trajetória estimada pelo filtro de Kalman é Referências Bibliográficas

extremamente compatível com a trajetória realizada
pelo veículo, contudo a trajetória reconstruída não Brown, G. B. and Hwang, P. Y. C. (1997).
culminou num circuito fechado, indicando assim que Introduction to Random Signals and Applied Kalman
o filtro não funcionou 100%. Isto se explica devido a Filtering. John Wiley & Sons, USA.
natureza dos ruídos não serem gaussianas, como
mostra a figura 5, pois a implementação do filtro de Campos, V. A. et al. (2004). Filtros de Partículas
Kalman assume que os ruídos possuem natureza Aplicados à Estimação de Trajetórias. Artigo
gaussiana. Um algoritmo de estimação de trajetórias submetido ao XV CBA, Gramado 2004.
para ruídos de natureza não gaussiana pode ser Chatfield, A. B. (1997). Fundamentals of High
obtido com o emprego dos filtros de partículas Accuracy Inertial Navigation Systems. American
(Gustafsson et al, 2001) e (Campos et al, 2004). Institute of Aeronautics and Astronautics, Ohio,
Dado que a matriz de covariância inicial P0, pode USA.
ser um fator crítico para convergência do filtro de
Kalman na estimação das trajetórias, torna-se Gustafsson, F. et al. (2001). Particle Filters for
necessário testar a convergência do filtro a partir de Positioning, Navigation and Tracking. IEEE
variações em P0. Inicialmente P0 foi declarada como Transactions on Signal Processing, Special Issue on
uma matriz identidade e em seguida variou-se P0 até Monte Carlo Methods for Statistical Signal
80% do seu valor inicial. Verificou-se que os erros Processing, pp. 1-13.
finais em X e Y não se alteraram significativamente Mohinder, S. G; Weill, L. R. and Andrews, A. P.
em nenhum dos casos, mesmo com a variação de (2001). Global Positioning Systems, Inertial
80% em P0. Navigation, and Integration. John Wiley & Sons,
A figura 7, mostra apenas a trajetória reconstruída USA.
pelo estimador de Kalman, porém não mostra a
trajetória real. Num trabalho futuro, será possível Papoulis, A. (1991). Probability, Random Variables,
comparar o resultado com a trajetória real, obtida por and Stochastic Process. McGraw Hill, Singapure.
meio de um sistema GPS de alta precisão. Rogers, R. M. (2000). Applied Mathematics in
Integrated Navigation Systems. American Institute of
Conclusões Aeronautics and Astronautics, Ohio, USA.
O modelo matemático descrito neste artigo foi Stovall, S. H. September 1997. Basic Inertial
empregado para implementar um sistema de Navigation. Naval Air Warfare Center Weapons
navegação inercial, utilizando um central inercial de Division. China Lake, Califórnia, USA.
baixo custo, do tipo strapdown. As principais fontes
de erro e imprecisão foram modeladas Titterton, D. H. and Weston, J. L. (1997). Strapdown
adequadamente, na forma de processos estocásticos. Inertial Navigation Technology. Peter Peregrinus
A estimação de estados do sistema é feita por um Ltd, UK.
Filtro de Kalman. Informações auxiliares (no caso,
leituras de um velocímetro) são processadas
conjuntamente pelo Filtro, compondo um sistema de
fusão sensorial, que fornece estimativas de precisão
muito superior a que seria possível obter a partir
apenas das leituras da UMI.

View publication stats