پديد آورندگان :
ظهيري، حيمد دانشگاه بيرجند , نصيري، محمد دانشگاه بيرجند , هاونگي، رمضان دانشگاه بيرجند , الياسي، حسين دانشگاه بيرجند
كليدواژه :
سيستم موقعت ياب جهاني , سيستم ناوبري اينرسي , ناوبري تلفيقي , فيلتر كالمن توسعه‌يافته , بهينه سازي گروه ذرات
چكيده فارسي :
خطاي سيستم‌هاي ناوبري اينرسي (INS) كه امروزه سيستم ناوبري پايه در بسياري از كاربردها از جمله كاربردهاي نظامي است، با زمان افزايش مي يابد. بنابراين براي دستيابي به دقت و قابليت اطمينان بالاتر مخصوصا در ناوبري‌هاي طولاني مدت از جمله در كاربردهاي دريايي بايد از يك سيستم كمكي در كنار سيستم ناوبري اينرسي استفاده شود. در اين مورد، سيستم موقعيت ياب جهاني (GPS) به دليل ويژگي‌هاي مكمل، بهترين سيستم كمك ناوبري مي باشد. در يك سيستم ناوبري تلفيقي متشكل از يك سيستم ناوبري پايه در كنار يك سيستم كمك ناوبري، فيلتر كالمن توسعه يافته (EKF) ابزاري بسيار رايج در تلفيق داده هاي GPS و INS مي باشد. با اين حال ماتريس هاي كوواريانس نويز اندازه‌گيري و نويز فرايند دو پارامتر مهم در فيلتر كالمن هستند كه تنظيم صحيح آنها در طي فرايند تخمين حالت‌هاي ناوبري، در كاهش خطاي تخمين بسيار حائز اهميت است. علاوه بر اين از آنجا كه معادلات حاكم بر سيستم اينرسي ذاتا غيرخطي هستند لذا فرايند خطي‌سازي در فيلتر كالمن باعث افزودن خطاي ناشي از تقريب خطي‌سازي نيز مي شود. از اين‌رو محققين به دنبال الگوريتم‌هاي تلفيق جايگزين فيلتر كالمن هستند و تا كنون تحقيقات زيادي نيز در اين زمينه انجام شده است. در اين مقاله از يك تخمين‌گر مبتني بر الگوريتم بهينه سازي گروه ذرات (PSO) به عنوان جايگزيني براي تخمين‌گر مبتني بر فيلتر كالمن استفاده شده است. در اين روش در واقع به محض دريافت مشاهدات GPS، خطاي تخمين سيستم ناوبري بر اساس الگوريتم PSO، كمينه مي شود تا بهترين خروجي براي سيستم تخمين زده شود. نتايج شبيه‌سازي‌ها و اعمال آنها به چندين پايگاه داده عملي نشان مي‌دهد كه روش پيشنهادي، دقت تخمين حالت‌هاي ناوبري توسط سيستم ناوبري تلفيقي را در مقايسه با روش هاي معمول تلفيق از قبيل فيلتر كالمن توسعه‌يافته به ميزان قابل توجهي بهبود داده است.
چكيده لاتين :
The Inertia Navigation Systems (INS) error, which today's basic navigation system for many uses, including military applications increases in time. Therefore, in order to achieve greater accuracy and reliability, especially in long-time navigation, such as in marine applications, an assistance system alongside the inertial navigation system should be used. In this case, the Global Positioning System (GPS) is the best navigational assistance system due to its complementary features. In an integrated navigation system consisting of a basic navigation system, along with a navigation assistance system, the Extended Kalman Filter (EKF) is a very common tool for integrating GPS and INS data. However, measurement and process noise covariance matrices are two important parameters in the Kalman filter, whose correct adjustment during navigation estimation process is very important in reducing the estimation error. In addition, since the governing equations of the inertial system are inherently nonlinear, the process of linearization in the Kalman filter adds an error due to linear approximation. Hence, researchers are looking for alternative algorithms for the Kalman filter, and so far a lot of research has been done. In this paper, an estimator based on particle optimization algorithm (PSO) is used as a substitute for Kalman filter based estimator. In this way, as soon as GPS observations are received, the estimation error of the navigation system based on the PSO algorithm is minimized to estimate the best output for the system. The simulation results and their application to several practical databases show that the proposed method significantly improved the accuracy of the estimation of navigational states by the integrated navigation system compared with conventional integration methods, such as the extended Kalman filter.
