Новый адаптивный нечеткий обобщенный фильтр Калмана для оценивания ориентации при отсутствии GPS-сигналов
https://doi.org/10.17285/0869-7035.2019.27.2.003-027
Аннотация
В статье описывается новый адаптивный нечеткий обобщенный фильтр Калмана (НАНОФК), предназначенный для оценки ориентации объекта по выходным данным бес платформенного инерциально-измерительного модуля (ИИМ, гироскопов и акселерометров) и бесплатформенного магнитометра. НАНОФК, разработанный на основе обобщенного фильтра Калмана (ОФК) с использованием системы нечеткого логического вывода (СНЛВ), проверен в среде Matlab как на смоделированных траекториях беспилотного летательного аппарата (БЛА), так и на реальных данных, снятых в процессе полета. НАНОФК обеспечивает более точную по сравнению с ОФК оценку ориентации и настройку ковариационной матрицы измерительных шумов. В предлагаемом фильтре в модели измерений присутствует мультипликативная погрешность в уравнениях, описывающих динамику объекта. Результаты моделирования показывают, что ковариационная матрица оценки измерительных шумов близка к своему истинному значению в крейсерском режиме полета (стационарная фаза), а в нестационарной фазе полета достоверность модели измерений акселерометра оценивается в НАНОФК и измерения акселерометров могут не учитываться.
Об авторах
А. Ассад
Институт прикладных наук и технологий, Дамаск, Сирия
Сирия
Сирия
Ассад Аммар. Инженер, лаборатория навигации
В. Халаф
Институт прикладных наук и технологий, Дамаск, Сирия
Россия
Россия
Халаф Вассим. Начальник лаборатории навигации
И. Шуаиб
Институт прикладных наук и технологий, Дамаск, Сирия
Россия
Россия
Шуаиб Ибрахим. Доктор наук, заместитель по научной работе
Список литературы
1. Bonilla, M.N.I., Pedestrian Dead Reckoning: a neuro-fuzzy approach with inertial measurements fusion based on Kalman filter and DWT, M. Sc Dissertation, Instituto Nacional de Astrofísica, Óptica y Electrónica (Mexico), 2015, p. 45.
2. Escamilla-Ambrosio, P.J. and Mort, N., Adaptive Kalman filtering through fuzzy logic, Proc. of the 7th UK Workshop On Fuzzy Systems, Recent Advances and Practical Applications of Fuzzy, Neuro-Fuzzy, and Genetic Algorithm-Based Fuzzy Systems, Sheffield, U.K., 2000, pp. 67–73.
3. Escamilla-Ambrosio, P.J. and Mort, N., Development of a fuzzy logic-based adaptive Kalman filter, Proc. European Control Conference (ECC), IEEE, 2001, pp. 1768–1773).
4. Havangi, R., Nekoui, M.A. and Teshnehlab, M., Adaptive neuro-fuzzy extended Kaiman filtering for robot localization, Proc. 14th International Power Electronics and Motion Control Conference (EPE/PEMC), IEEE, 2010, pp. T5–130.
5. Wang, J.J., Ding, W. and Wang, J., Improving adaptive Kalman Filter in GPS/SDINS integration with neural network, Proc. ION GNSS, 2007, pp. 571–578.
6. Yang, Y. and Gao, W., An optimal adaptive Kalman filter, Journal of Geodesy, 2006, vol. 80, no. 4, pp. 177–183.
7. Khalaf, C.W., Chouaib, A.I. and Wainakh, B.M., Novel adaptive UKF for tightly-coupled INS/GPS integration with experimental validation on an UAV, Gyroscopy and Navigation, 2017, vol. 8, no. 4, pp. 259–269.
8. Chouaib, A.I., Wainakh, B.M. and Khalaf, C.W., Robust self-corrective initial alignment algorithm for strap-down INS, Proc. 10th Asian Control Conference (ASCC), IEEE, 2015, pp. 1–6.
9. Jekeli, C., Inertial Navigation Systems with Geodetic Applications, Berlin: Walter de Gruyter, 2012.
10. Casey, R.T., Karpenko, M., Curry, R. and Elkaim, G., Attitude representation and kinematic propagation for low-cost UAVs, Proc. AIAA Guidance, Navigation, and Control (GNC) Conference, 2013, p. 4615.
11. Feng, K., Li, J., Zhang, X., Shen, C., Bi, Y., Zheng, T. and Liu, J., A new quaternion-based Kalman filter for real-time attitude estimation using the two-step geometrically-intuitive correction algorithm, Sensors, 2017, vol. 17, no. 9, p. 2146.
12. Passaro, V., Cuccovillo, A., Vaiani, L., De Carlo, M. and Campanella, C.E., Gyroscope technology and applications: A review in the industrial perspective, Sensors, 2017, vol. 17, no. 10, p. 2284.
13. Crassidis, J.L. and Markley, F.L., Three-axis attitude estimation using rate-integrating gyroscopes, Journal of Guidance, Control, and Dynamics, 2016, vol. 39, no. 7, pp. 1513–1526.
14. Grewal, M.S. and Andrews, A.P., Kalman Filtering: Theory and Practice Using MATLAB, New York: Wiley-Interscience, 2001.
15. Crassidis, J.L. and Junkins, J.L., Optimal Estimation of Dynamic Systems, Chapman and Hall/CRC, 2011.
16. Quan, W., Li, J., Gong, X. and Fang, J., INS/CNS/GNSS Integrated Navigation Technology, Berlin: Springer, 2015
17. https://www.ngdc.noaa.gov/geomag/WMM/DoDWMM.shtml
18. Trawny, N. and Roumeliotis, S.I., Indirect Kalman Filter for 3D Attitude Estimation, Minneapolis: University of Minnesota, USA, 2005.
19. Jang, J.S., ANFIS: adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, 1993, vol. 23, no. 3, pp. 665–685.
20. Bai, Y. and Wang, D., Fundamentals of fuzzy logic control—fuzzy sets, fuzzy rules and defuzzifications, in Advanced Fuzzy Logic Technologies in Industrial Applications, London: Springer, 2006, pp. 17–36.
21. Aengchuan, P. and Phruksaphanrat, B., Comparison of fuzzy inference system (FIS), FIS with artificial neural networks (FIS+ ANN) and FIS with adaptive neuro-fuzzy inference system (FIS+ ANFIS) for inventory control, Journal of Intelligent Manufacturing, 2018, vol. 29, no. 4, pp. 905–923.
22. Teague, H., Comparison of Attitude Estimation Techniques for Low-cost Unmanned Aerial Vehicles, 2016, www.arXiv.org, preprint arXiv:1602.07733.
Рецензия
Для цитирования:
Ассад А., Халаф В., Шуаиб И. Новый адаптивный нечеткий обобщенный фильтр Калмана для оценивания ориентации при отсутствии GPS-сигналов. Гироскопия и навигация. 2019;27(2):3-27. https://doi.org/10.17285/0869-7035.2019.27.2.003-027
For citation:
Assad A., Khalaf W., Chouaib I. Novel Adaptive Fuzzy Extended Kalman Filter for Attitude Estimation in GPS-Denied Environment. Giroskopiya i Navigatsiya. 2019;27(2):3-27. (In Russ.) https://doi.org/10.17285/0869-7035.2019.27.2.003-027
Просмотров:
0
Послать статью по эл. почте 