تلفيق اطلاعات ژيروسكوپ و مغناطيس‌سنج براي تخمين وضعيت پرتابه‌هاي با سرعت بالا بر مبناي تركيب فيلتر ذره‌اي و PSO

Data Fusion of Gyroscope and Magnetometer to Estimate the Attitude of High-Speed Projectiles Based on Particle Filter and PSO

در اين پژوهش، با استفاده از تلفيق خروجي مغناطيس‌سنج‌ها و ژيروسكوپ‌هاي ارزان قيمت ميكرو الكترومكانيكي، وضعيت پرتابه‌هاي با سرعت بالا با استفاده از فيلتر ذره‌اي تركيب‌شده با الگوريتم بهينه‌سازي انبوه ذرات تخمين­زده مي‌شود. در سرعت‌هاي بالا ژيروسكوپ‌هاي ارزان قيمت سامانه‌هاي ميكرو الكترومكانيكي داراي خطاي زيادي هستند و مغناطيس‌سنج‌ها نيز به­دليل وجود ميدان‌هاي مغناطيسي غير از زمين دقت پاييني دارند. براي حل اين مشكلات، تلفيق اطلاعات اين دو حسگر براي تخمين وضعيت پيشنهاد مي‌شود. به دليل غيرخطي بودن معادلات ديناميكي و مشاهده بايد از تخمين­گر غيرخطي استفاده ‌شود. فيلتر كالمن توسعه‌يافته با صرف‌نظر نمودن از جملات مرتبه بالاي بسط تيلور خطايي را وارد محاسبات مي‌نمايد كه اين خطا در سامانه‌هاي غيرخطي سريع قابل صرف‌نظر نيست. فيلتر ذره‌اي برخلاف فيلتر كالمن، براي سامانه‌هاي غيرخطي نتايج خوبي دارد. بزرگترين ضعف اين فيلتر، بار محاسباتي بالاي آن است كه باعث محدوديت كاربردش گشته است. براي كاهش مدت‌زمان انجام محاسبات فيلتر ذره‌اي از الگوريتم تركيب‌شده فيلتر ذره‌اي با الگوريتم بهينه‌سازي انبوه ذرات استفاده شده است. نتايج شبيه‌سازي با استفاده از 100 نمونه آزمايش مورد بررسي قرار گرفته است كه نشان‌دهنده عملكرد مطلوب اين الگوريتم در مسئله تلفيق اطلاعات ژيروسكوپ و مغناطيس‌سنج در تخمين زوايا است.

In this paper, the attitude of high-speed projectiles has been estimated using data fusion of magnetometer and Micro Electro Mechanical Systems (MEMS) gyroscope. MEMS gyroscopes have the high error for high speed. Also, magnetometers have low accuracy due to the presence of Non-Earth magnetic fields. For this reason, data fusion of magnetometer and MEMS gyroscope have been suggested. Due to the nonlinearity of the system equations and observation, a nonlinear estimator must be used. The developed Kalman filter inserts an error by ignoring the high order sentences of Taylor's expansion, which cannot be ignored in fast nonlinear systems. Unlike the Kalman filter, the particle filter has good results for nonlinear systems. The biggest weakness of this filter is its high computational time, which limits its applicability. To reduce the computational time of particle filter, a particle swarm optimization algorithm has been used. The simulation results were evaluated using 100 samples of the test, which illustrates the desirable performance of the combined particle filter with the particle swarm optimization algorithm in the data fusion of gyroscope and magnetometer information in the estimation of angles.