ارائه يك رويكرد جديد براي دقت افزايي سامانه تلفيق GPS/INS بر مبناي فيلتر پيش‌بين تفاضلى در هنگام قطع سيگنال ماهواره و اجراي آن در آزمايشگاه

Proposing a New Approach to Increase the Accuracy of the GPS / INS Integration System Based on an Incremental Predictive Filter During GPS Outage and it's Implementation in the Laboratory

در اين مقاله، يك روش جديد به نام فيلتركالمن پيش‌بين تفاضلى تعميم‌يافته براي افزايش دقت سامانه تلفيق GPS/INS در هنگام قطع سيگنال ماهواره ارائه‌شده است. اين روش در آزمايشگاه اجرا و با استفاده از سخت‌افزارهاي تهيه‌شده تست و ارزيابي‌شده است. معادلات حاكم بر سامانه ناوبري اينرسي غيرخطي هستند. فرايند خطي‌سازي در فيلتر كالمن توسعه‌يافته باعث ايجاد خطاي ناشي از تقريب خطي‌سازي مي‌شود. علاوه بر اين، معلوم نبودن مشخصات دقيق نويزهاي اندازه‌گيري و سيستم، باعث توليد خطا در تخمين مي‌شود. در روش پيشنهادي، خطاهاي مدل‌سازي مثل خطاي خطي‌سازي و خطاي ماتريس‌هاي وزني نويز معادل خطاي مدل فيلتر فرض شده و با بهره‌گيري از مفاهيم كنترل پيش‌بين و با استفاده از فيلتر كالمن تعميم‌يافته خطا تخمين زده‌شده و سپس جبران مي‌شود. در اين مقاله ابتدا معادلات كامل روش جديد پيشنهادي و روابط موردنياز براي تلفيق سامانه GPS/INS توضيح داده‌ شده است. سپس، با بهره‌گيري از نتايج آزمايش‌ها، روش پيشنهادي جديد با روش فيلتر كالمن توسعه‌يافته مقايسه مي‌شود. نتايج نشان مي‌دهد كه در الگوريتم جديد به دليل توانايي آن در پيش‌بيني و جبران خطاي مدل، هنگام قطع شدن سيگنال‌هاي گيرنده به مدت s 30، خطاي موقعيت حدود 50% كاهش مي‌يابد. اين روش به‌طور قابل‌توجهي عملكرد سامانه ناوبري اينرسي را بهبود مي‌بخشد.

This paper proposes a new method called the generalized incremental predictive Kalman filter (GIPKF) to increase the accuracy of the integrated GPS / INS systems when the satellite signal is not available. This method is performed in the laboratory and tested and evaluated using the prepared hardware. The equations governing the inertial navigation system are nonlinear and the linearization in the extended Kalman filter causes the linearization approximation error. The uncertainties in the measurement noises and system noises also, produce errors in the estimation. In the proposed method, the model errors such as the linearization error and the weighted noise matrices errors are assumed as the model’s filter error and are estimated and compensated using the concept of predictive filtering and the application of Kalman filter. In this paper first, the complete equations of the new proposed method and the relations required to integrate the GPS/INS system are explained. Then using the results of the experiments, the proposed method is compared to the extended Kalman filter method. The results show that the presented algorithm is more efficient since, when the GPS outage is about 30 seconds, the position error is reduced by about 50% due to the new method’s ability to predict and compensate for the model error. This method significantly improves the performance of inertial navigation systems.