1. История исследования и состояние дел
1.1 История исследования
С быстрым развитием транспорта во всем мире надежное и точное определение местоположения транспортного средства становится необходимым для всех видов транспортных средств. Все большее значение приобретают приложения, связанные с навигацией и безопасностью, такие как навигация по маршруту, автономное вождение и интеллектуальный транспорт.
Глобальные навигационные спутниковые системы (ГНСС), такие как Global Positioning System (GPS), способные обеспечить транспортные средства точной информацией об абсолютном положении, стали наиболее часто используемой технологией в системах позиционирования транспортных средств. В общем случае GPS может предоставлять точные данные о положении, скорости и времени, но не предоставляет информацию об ориентации. Скорость передачи данных в основном не превышает 10 Гц, что означает, что GPS не может достаточно быстро воспринимать динамические изменения в некоторых приложениях. Кроме того, поскольку для приема сигнала необходимо не менее четырех спутников, в городах, каньонах, метро, туннелях и других местах спутниковые сигналы легко блокируются и не позволяют предоставлять навигационные услуги. В то же время в условиях городов и густых лесов ГНСС подвержена обману и помехам, что приводит к снижению точности навигации. Кроме того, она ненадежна в военных приложениях.
INS (Inertial Navigation System) - это разновидность автономной навигационной системы. Не восприимчива к внешним воздействиям. Она может выдавать не только информацию о положении и скорости, но и об ориентации, причем скорость передачи данных может достигать 100 Гц и даже выше. Для расчета навигации ИНС использует значения измерений инерциального блока. IMU обычно состоит из пары взаимно ортогональных трехосевого гироскопа и трехосевого акселерометра, которые соответственно измеряют угловую скорость и ускорение носителя относительно инерциальной системы координат и выдают относительное положение носителя путем преобразования и интегрирования системы координат. В результате возникает проблема, связанная с тем, что при интегрировании будут накапливаться такие погрешности датчиков, как погрешности масштабного коэффициента, неортогональные погрешности и случайный шум.
Эти особенности ГНСС и ИНС обусловливают широкое изучение интеграции GPS и ИНС. Классическим методом объединения данных является фильтрация Калмана (KF). Интегрированная навигация INS/GPS была успешно реализована в различных стратегиях интеграции (свободная комбинация, плотная комбинация и глубокая комбинация). Кроме того, Джолье предложил бесследный фильтр Калмана (UKF), который использует бесследное преобразование (UT) для получения статистических свойств состояний без обработки линеаризации. Шин применил бесследный фильтр Калмана и расширенный фильтр Калмана (EKF) для интеграции недорогих MEMS INS/GPS. Sasiadek и Loebis предложили адаптивную схему для настройки коэффициента усиления Калмана в зависимости от остаточной разницы между ИНС и GPS. Эти методы позволили в той или иной степени повысить точность навигационной системы. Однако при потере сигналов ГНСС навигационные ошибки все равно будут накапливаться.
Дорогостоящие высокоточные инерциальные датчики имеют отличные характеристики погрешности и могут долгое время работать после потери сигнала ГНСС. Время поддерживает точность результатов навигации, однако их широкое применение в навигации транспортных средств затруднено из-за высокой стоимости, большого объема и веса. С быстрым развитием полупроводниковых технологий на рынке появляются инерциальные датчики на основе микроэлектромеханических систем, которые могут быть интегрированы на кремниевых пластинах и обладают такими преимуществами, как низкая стоимость, малые размеры, небольшой вес и низкое энергопотребление, однако их недостатки также весьма очевидны, поскольку погрешность датчика очень велика. При отсутствии сигнала GPS ошибка навигационной системы будет быстро расходиться. Необходимо срочно решить эту проблему.
1.2 Состояние исследований в стране и за рубежом
При нарушении работы системы ГНСС или в таких районах, как города, каньоны, джунгли и т.д., точность навигации ГНСС быстро
Для снижения или даже полной потери навигационных способностей необходимо изучить независимую навигационную систему. Для уменьшения дрейфа ошибок инерциальной навигационной системы исследователи выдвигают множество методов, включая искусственный интеллект, ограничения динамики транспортного средства, вспомогательные датчики, алгоритм деноизации в частотной области, технологию модуляции вращения и т.д.
С быстрым развитием искусственного интеллекта некоторые ученые разработали навигационные алгоритмы, основанные на искусственном интеллекте, такие как нервные
нейронная сеть (НС), регрессия опорных векторов (SVR), нечеткая логика и т.д.
Основная идея искусственного интеллекта заключается в достижении нелинейного отображения входа на выход путем обучения. Взаимосвязи между входами и выходами могут быть установлены без точного знания модели системы. Поэтому все больше ученых применяют метод нейронных сетей для объединения навигационной информации ИНС/ГНСС с целью прогнозирования и коррекции навигационных параметров ИНС при прерывании сигналов ГНСС. Шараф использует нейронную сеть с радиальным базисом (RBF) для прогнозирования ошибок положения и скорости ИНС при отсутствии сигналов ГНСС, что позволяет повысить точность позиционирования при потере сигналов GPS. Нейронная сеть BP используется для обновления положения и скорости, и экспериментальные результаты показывают, что она превосходит фильтр Калмана по точности навигации. Однако в этих исследованиях не учитывалась корреляция между ошибками и прошлой информацией. А. Нурелдин и др. предложили использовать нейронную сеть с задержкой ввода (IDNN), полностью учитывающую зависимость ошибок ИНС от времени. Ошибки положения и скорости ИНС моделируются на основе некоторых текущих и прошлых данных о положении и скорости ИНС, что позволяет имитировать тенденцию изменения ошибок ИНС и обеспечить стабильную оценку навигационных ошибок. Сравнив несколько методов, Камаль Саадеддин пришел к выводу, что оптимальная производительность может быть получена при использовании положения и скорости в качестве входных данных в нейронной сети с временной задержкой.
Однако навигационные алгоритмы, основанные на искусственном интеллекте, требуют большого количества обучающих данных для обеспечения точности прогноза.
Наиболее распространенной моделью ограничения движения автомобиля является модель Zero Velocity Update (ZUPT), однако она может использоваться только в неподвижном состоянии. Dissanayake для помощи в навигации применил модель Non-holonomic Constraint (NHC), которая предполагает, что шина автомобиля никогда не отрывается от земли, а скорость движения по небу и боковая скорость равны нулю, что позволяет оценить угол крена, угол тангажа и скорость движения автомобиля. Охеда и Боренштейн использовали дополняющие друг друга характеристики обнаружения движения акселерометра и гироскопа для оценки ориентации. Основная идея заключается в том, чтобы обновлять отношение к движению, используя угол, полученный от акселерометра, когда транспортное средство неподвижно или находится в равномерном линейном движении. Хамад Ахмед смоделировал внешнее ускорение автомобиля как низкочастотный процесс и использовал акселерометр для оценки отношения, когда автомобиль не находится в состоянии покоя или равномерного движения.
К вспомогательным датчикам относятся магнитометр, одометр, датчик зрения и т.д. Одометр позволяет определить скорость, а сильная корреляция между информацией о положении, скоростью и ошибкой датчика позволяет наблюдать ошибку датчика в фильтре.Одним из способов борьбы с высокочастотным шумом является использование вейвлет-разложения для обесцвечивания данных измерений инерциального датчика. Skaloud использует алгоритм вейвлет-разложения для удаления высокочастотных шумов в данных IMU, что позволяет успешно повысить точность позиционирования. Однако для этого требуется предварительная информация о полосе пропускания реальной динамики движения типичных наземных транспортных средств и спектральных характеристиках алгоритма вейвлет-разложения. Это затрудняет его применение. Кроме того, MEMS IMU все еще имеет большой шум из-за серьезного перекрытия шумов нестабильности нулевого смещения с полосой частот сигнала.
Концепция технологии ротационной модуляции (РМТ) зародилась в 1960-х годах в платформенной инерциальной навигационной системе (ПИНС). Е.С. Геллером было доказано, что вращение платформы позволяет уменьшить ошибку положения, вызванную шумами датчика. С развитием технологий ПИНС постепенно стала основным направлением развития ИНС. В 1980 году один ученый закрепил IMU на поворотном столе и исследовал реализацию технологии вращательной модуляции в SINS. После полного цикла вращения IMU вокруг оси вращения статическое отклонение невращающейся оси превращается в периодический сигнал с нулевым средним значением, и отклонение перестает накапливаться со временем, что уменьшает навигационную ошибку, но ошибка на вращающейся оси не устраняется. Кроме того, при вращении IMU ошибка масштабного коэффициента приведет к дополнительной ошибке на оси вращения, а неортогональная ошибка - к дополнительной ошибке на невращающейся оси. Проведенные Шуангом Ду моделирование и эксперимент по вращательной модуляции MEMS IMU показывают, что вращательная модуляция может значительно улучшить наблюдаемость системы. Таким образом, точность позиционирования MEMS IMU значительно повышается. Исследование Юсси Коллина показало, что вращение может устранить шум случайного гуляния скорости и шум нестабильности нулевого перекоса, но не может устранить белый шум.
Традиционное применение РМТ требует наличия специального поворотного стола, который требует дополнительных систем управления и двигателей, что нарушает первоначальный замысел применения МЭМС-датчиков: низкая стоимость, малый вес, низкое энергопотребление и малые размеры. Однако в автомобильных приложениях колесо само по себе является поворотным столом. Если угол поворота колеса может быть точно получен, то вращение колеса может быть использовано для замены специальной поворотной платформы с целью уменьшения погрешности инерциальной навигации.
Join Sunny имеет не только FOG IMU, но и MEMS IMU, высокоточный уровень навигации и уровень поиска севера. Если вы заинтересованы, пожалуйста, свяжитесь с нами.
Сообщение Просмотров: 0
Поделиться статьей
Post Views:
0
