عنوان مقاله :
طراحي الگوريتمي براي افزايش همگرايي فيلتر كالمن توسعه يافته مبني بر مدل پيش بين تفاضلي در ترازيابي سامانه ناوبري اينرسي و تحليل پايداري آن
عنوان به زبان ديگر :
Design of a new algorithm to improve the convergence of extended Kalman filter based on incremental predictive model for inertial navigation system alignment and its stability analysis
پديد آورندگان :
قهرماني، نعمت الله دانشگاه صنعتي مالك اشتر - مجتمع دانشگاهي برق و كامپيوتر، تهران، ايران , ماجد الحسن، حسن دانشگاه صنعتي مالك اشتر - مجتمع دانشگاهي برق و كامپيوتر، تهران، ايران
كليدواژه :
فيلتر كالمن توسعه يافته , مدل پيش بين , خطاي مدل , ترازيابي سامانه ناوبري اينرسي , تحليل پايداري
چكيده فارسي :
در اين مقاله نوعي فيلتر پيش بين با رويكرد جديد براي ترازيابي سامانه ناوبري اينرسي با مدل غيرخطي ارائه و پايداري آن تحليل‌شده است. پايداري فيلتر جديد بر اساس روش لياپانوف مورد تجزيه‌وتحليل قرارگرفته است. تابع لياپانوف را به‌صورت تابع هزينه درجه دوم انتخاب مي‌شود. اين روش شرايط كافي را براي پايداري حالت تعادل در برابر عدم قطعيت و نويزهاي اندازه‌گيري ارائه مي‌دهد. از روش پيشنهادي براي بهبود دقت ترازيابي اوليه يك سامانه ناوبري اينرسي با عدم قطعيت و خطاي سمت با مقدار بزرگ استفاده‌شده است. مدل اندازه‌گيري اين سامانه غيرخطي بوده و داراي خطاي مدل‌سازي است. در اين روش خطاي مدل تخمين زده‌شده و سپس در الگوريتم فيلتر اين خطا جبران مي‌شود؛ به همين خاطر خطاي حالت‌هاي تخمين نيز در مرحله بهنگام سازي اطلاعات فيلتر كاهش مي‌يابد. با انجام شبيه‌سازي‌هاي گوناگون اين روش بر روي‌داده‌هاي واقعي حسگر ميكرو الكترومكانيكي MEMS و با مقايسه آن با فيلتر كالمن توسعه‌يافته و فيلتر كالمن بدون بو، مشاهده مي‌شود كه روش پيشنهادي دقت و سرعت همگرايي بالاتري نسبت به فيلتر كالمن توسعه‌يافته و فيلتر كالمن بدون بو دارد. اثبات مي‌شود الگوريتم جديد داراي پايداري مجانبي است.
چكيده لاتين :
In this paper, a new predictive filter for alignment of the inertial navigation system with a nonlinear model is presented, and its stability is analyzed. The stability is analyzed according to the Lyapunov method. The Lyapunov function is selected as a quadratic cost function. This method provides sufficient conditions for the stability of the estimated state against measurement uncertainty and noise. The proposed method is used to improve the initial alignment accuracy of the inertial navigation system with a large misalignment azimuth angle. The measurement model of this system is nonlinear and has a modeling error. In this method, the model error is estimated and compensated in the filter algorithm; therefore, the error of the state estimation is reduced in the updating step. By performing various simulations of this method on the real data of microelectromechanical (MEMS) sensor and comparing it with EKF and UKF, it is observed that the proposed method has higher accuracy and convergence speed than EKF and UKF. The new filter proves to have asymptotic stability.
