ambiente para anÁlise de desempenho de … · para tanto, considera-se, para pequenos erros de...
TRANSCRIPT
AMBIENTE PARA ANÁLISE DE DESEMPENHO DE NAVEGAÇÃO INS ∕ GNSS COM AUXÍLIO DE LEITURAS DE
BASELINE
PRISCYLLA A. DA S. OLIVEIRA1
, ELDER M. HEMERLY1
1. Divisão de Engenharia Eletrônica, Departamento de Sistemas e Controle, Instituto Tecnológico de
Aeronáutica, 12228-900 São José dos Campos, SP, Brasil
E-MAILS:[email protected], [email protected]
Abstract This work develops a navigation system INS/GNSS by means of a Kalman filter aided baselines measurements, which are
obtained by a multiple GNSS system and simulated data. The simulation environment developed in (Schad et al, 2010) is modified and
applied here as a tool, allowing a navigator performance evaluation in a quick and systematic way.
Keywords Navigation. Baseline. Kalman Filter.
Resumo Este trabalho desenvolve um sistema de navegação INS/GNSS por meio de um filtro de Kalman auxiliado por
medidas de baselines, as quais são obtidas por um sistema multiantena GNSS e dados simulados. O ambiente de simulação
desenvolvido em (Schad et al, 2010) é modificado e aplicado aqui como ferramenta permitindo uma avaliação de desempenho do navegador de forma rápida e sistemática.
Palavras-chave Navegação. Baseline. Filtro de Kalman.
1 Introdução
Em um sistema de navegação, de modo a alcançar
um bom desempenho em um cenário de falha do
sinal GNSS, é necessário o uso de um sistema que
não utilize fontes de sinais externos, tal como o
Sistema de Navegação Inercial (INS). O uso dos
sensores inerciais e do sistema global de
posicionamento está ficando cada vez mais comum
devido ao decréscimo do custo dos sensores e
receptores GNSS (Hemerly e Schad, 2010)
(Titterton, 1997). Portanto, a integração INS∕GNSS é
uma solução de baixo custo para navegar, mesmo em
situações de perda temporária de sinal GNSS. Para
realizar essa integração, tipicamente se utiliza o
Filtro de Kalman, onde são feitas estimativas dos
estados do sistema de navegação utilizando medidas
do receptor GNSS e do sistema inercial (Hemerly e
Schad, 2010).
O uso de informações do GNSS como auxílio
para a navegação, tal como pseudorange, tem se
tornado muito comum, devido ao decréscimo no
custo dos sistemas de posicionamento global. Mais
recentemente, tem-se investigado o erro de uma
informação adicional de atitude. O procedimento
básico para a obtenção de informação de atitude
GNSS é usando 3 ou mais antenas: baselines são
obtidas a partir de medidas de pseudorange e posição
dos satélites, e assim a atitude do corpo pode ser
obtida (Hemerly e Schad, 2010).
O problema envolvido neste procedimento é a
necessidade de estimar a ambiguidade de fase.
Algumas soluções propostas são: Least Squares
Ambiguity Decorrelation Adjustment (LAMBDA)
(Teunissen, 1994) e Mixed Integer Least Squares
(MILES) (Dai et al, 2008) (Nogueira e Hemerly,
2012). Neste trabalho a implementação do navegador
utiliza as estimativas de baseline como medida
auxiliares para o filtro de Kalman, de modo a
melhorar a observabilidade dos erros de atitude do
corpo. Adicionalmente, é utilizado um ambiente
integrado para avaliação de desempenho de
navegadores INS∕GNSS, quando se utiliza leituras
auxiliares de baseline, determinadas em (Nogueira e
Hemerly, 2012). Por fim, com este ambiente é
analisado o desempenho das estimativas de atitude
em casos de interesse.
Em resumo, as contribuições deste artigo são:
1- Utilização das medidas de atitude via baseline,
como informações auxiliares na integração
INS∕GNSS via filtro de Kalman,
2- Melhoria da interface gráfica desenvolvida em
(Schad et al, 2010), de modo a permitir a
simulação da navegação auxiliada por medidas de
baseline e
3- Análise do desempenho na estimativa de atitude
quando se utiliza auxílio baseline.
2 Filtro de Kalman
O modelo do Filtro de Kalman utilizado é
resumido nesta seção. O filtro contém 9 variáveis
associadas com a trajetória do corpo, 6 variáveis
associadas com as leituras da IMU e 2 associadas
com o receptor GNSS(Hemerly e Schad, 2005).
Portanto, são no total 17 variáveis, como mostra a
equação (1).
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
834
[ ]
[
]
(1)
onde δr, δv, δφ, δw e δf são vetores em e δb e δd
são escalares.
O filtro de Kalman estima as variáveis descritas
em (1). As partes determinísticas das equações de
dinâmica e de saída para o filtro, de acordo com (He
merly e Schad, 2004), estão descritas por
( ) ( ) ( ) ( ) (2)
( ) ( ) ( ) (3)
onde
d3x13x13x13x13x1
3x13x13x13x13x1
3x3a3x33x33x33x3
3x33x3w3x33x33x3
3x3eb3x33x3
eb3x3
3x33x33x33x33x3
000000
1000000
00I.0000
000I.000
000)t(C)t(~
00
00)t(C0)t(a~)t(~
2)t(~
).t(~
GG
00000I0
)t(A
(4)
t0)t(C).t(u.t2
1)t(a~).t(u.t
2
1)t(u.t)t(u)t(u
t0)t(C).t(u.t2
1)t(a~).t(u.t
2
1)t(u.t)t(u)t(u
t0)t(C).t(u.t2
1)t(a~).t(u.t
2
1)t(u.t)t(u)t(u
01)t(u
01)t(u
01)t(u
C
2eb1
Tn
2T21
Tn
21
Tn
T
1Tn2
Tn
2eb1
T2
2T21
T2
21
T2
T
1T22
T2
2eb1
T1
2T21
T1
21
T1
T
1T12
T1
TTTT2
Tn
TTTT2
T2
TTTT2
T1
0
0
0
0000
0000
0000
(5)
( )
[ ]
(6)
sendo é matriz identidade 3x3; matriz de
zeros 3x3; inverso do tempo de correlação; n: n-th
satélite; t2: tempo presente; t1: tempo anterior;
∆t=t2-t1; u: vetor unitário do receptor para o satélite;
G: gravidade e ∆G: derivada da gravidade; pseudodistância calculada usando medidas do INS;
deltarange calculada usando medidas do INS;
pseudodistância fornecida pelo receptor, relativo
ao satélite n-th.
No presente trabalho, faz-se necessário incluir
também a contribuição das estimativas das baselines.
Para tanto, considera-se, para pequenos erros de
atitude, que é uma hipótese razoável, devido ao
alinhamento inicial tipicamente realizado no início
da fase de navegação.
Para utilizar a medida de baseline como auxílio
para o filtro de Kalman é necessário modificar a
matriz de saída, já que o vetor de medida y(k) é
aumentado a partir do vetor em (6), como pode ser
visto na equação (7).
( ) [ ( )
] (7)
onde, e são medidas dos erros cometidos
nas leituras das baselines: e .
Os erros cometidos na estimação das baselines
podem ser obtidos por um procedimento similar a
(Hemerly e Schad, 2010), sendo dados por
( ) (8)
( )
que é equivalente a
( ) (9)
( )
que é relevante porque mostra que a equação de
leitura é linear no estado relativo ao erro de atitude,
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
835
[
] (10)
Em (8) e (9), baselines verdadeiras no
referencial do corpo; baselines estimadas
no referencial do corpo; erro de atitude no
referencial de navegação.
Devido à linearidade em (9), a matriz de saída
associada, a acrescentada à matriz de saída do filtro
de Kalman C, em (3), é dada por
[ ( ) ( )
] (11)
Portanto, o problema se resume em determinar
e , conforme seção 3, sendo necessário
estimar baselines no referencial de navegação e
transformá-las para o referencial do corpo.
3 Determinação da baseline
Os sinais GPS são transmitidos como ondas
puramente senoidais. Embora a fase de um ciclo da
onda possa ser medida com grande precisão, é difícil
saber quantos ciclos, exatamente, se propagaram
entre o satélite e o receptor (Langley, 1996). O
número de ciclos inteiros da onda portadora é
denominado Ambiguidade de Fase, e sua
determinação é fundamental para a obtenção das
medidas de atitude via baseline.
A fixação da ambiguidade inteira não é uma
tarefa fácil. Existem algoritmos de busca da solução
deste problema e alguns desses algoritmos são
comparados, utilizando dados simulados, no trabalho
de (Ribeiro e Hemerly, 2011).
Alguns métodos de busca baseados em mínimos
quadrados inteiros, são relevantes pois restringem o
espaço de busca da ambiguidade de fase e também
diminuem o tempo computacional. Como exemplos
podem ser citados:
1) Decomposição por Cholesky - Proposto por
(Landau, 1992), (Lu, 1995) e (Xu, 2012).
2) LAMBDA – Proposto por (Teunissem,1994).
Este método tem a vantagem de diminuir o tempo
computacional.
3) MILES – Proposto por (Chang e Zhou, 2006).
Adicionalmente, uma estrutura especial das
antenas é necessária, conhecida como sistema multi
antena, que é formado por, no mínimo, 3 receptores.
Sendo que um receptor é o de referência, em
localização conhecida no referencial do corpo, e os
outros receptores localizados também no corpo, são
conhecidos como escravos (Ribeiro, 2012). A
configuração básica desse sistema pode ser visto na
Fig. 1 (Hemerly e Schad, 2010).
Fig. 1 – Configuração das antenas no sistema de
referência do corpo.
Na Fig. 1, as baselines e são selecionadas
pelo usuário.
De posse dos dados de fase da portadora,
posição das antenas e dos satélites, é possível a
estimação da ambiguidade usando a relação básica
(12).
(12)
onde,
é a linha de visada (line-of-sight) do
receptor de referência para os satélites i e j;
baseline na coordenada NED;
: ambiguidade
fase; comprimento da onda L1; diferença
dupla de fase da portadora; ruído.
Para maiores detalhes sobre a solução podem ser
obtidos em (Hemerly e Schad, 2010) e (Dai et al,
2008).
As equações de (13) a (17) mostram o cálculo de
diferença dupla de fase e linha de visada, de acordo
com (Kim et al, 1998).
( ) {( )
( )
} {( ) ( )
} (13)
[ ] (14)
(15)
(16)
(17)
onde, i e j denotam os satélites e os índices A e B
representam os receptores; componentes
da posição do satélite i, em ECEF; componentes da posição do receptor de referência,
em ECEF; distância entre o receptor de
referência e o satélite i.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
836
4 Interface Gráfica
Em (Schad et al, 2010) foi desenvolvido um software
no Matlab® para analisar o acoplamento INS/GNSS
via filtro de Kalman e facilitar a comunicação com o
usuário. Neste trabalho, esta interface foi modificada
de modo a viabilizar a inserção de auxílio via
baseline, como pode ser visto no canto direito da Fig.
2, e alteração de parâmetros de projeto.
A atual interface é mostrada na Fig. 2.
Fig. 2 – Interface gráfica para a análise de desempenho de navegador com auxílio de baseline.
Como pode ser visto na Fig. 2, o usuário pode,
de forma rápida e fácil, alterar os parâmetros de
projeto, tais como: erros do receptor GNSS, perda de
sinal de satélites, erros dos acelerômetros e
girômetros, valores nominais do filtro de Kalman e
plote de gráficos.
5 Estudo de caso
Nesta seção o ambiente mostrado na Fig. 2 é
utilizado para avaliar desempenho de 2 casos de
interesse: 1) navegação com auxílio de estimativas de
baselines e 2) navegação sem auxílio dessas
estimativas, isto é, usando apenas as leituras usuais
de pseudorange e deltarange. Esta integração
permite quantificar a melhoria na estimação de
atitude ao se usar informação adicional de baseline.
Os dados que foram utilizados para a estimação
são os relativos aos perfis de trajetória e atitude
mostrados nas figuras 3 e 4. Tais perfis foram
obtidos a partir da seleção, feita pelo usuário, de um
perfil de aceleração e velocidade angular (Schad et
al, 2010).
Fig. 3 – Trajetória de referência.
Fig. 4 – Atitude de referência.
-1000 0 1000 2000 3000 4000 50000
50
100
150
200
250
300
350
400
450
Nort
e [
m]
Leste [m]
Trajetoria de Referência (ENU)
0 50 100 150 200 250 300 350 400-6
-4
-2
0
2
4
6
8
10
Multiplos de deltatn [0.01s]
Ângulo
[º]
Atitude de referência
Roll
Pitch
Yaw
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
837
O perfil de atitude, mostrado na Fig. 4, possui
excitação somente no ângulo de yaw. Isto porque a
medida de baseline auxilia, de forma mais relevante,
exatamente na estimativa de yaw.
5.1 – Sem auxílio de leitura de baseline: Nas
figuras 5 e 6 são mostradas as estimativas de atitude
quando não se utilizam as leituras das baselines.
Fig. 5 – Atitude estimada - sem auxílio de leitura de
baselines.
Fig. 6 – Erro de estimação de atitude – sem auxílio
de leitura de baselines.
Pode ser visto que o erro de estimação do
ângulo de yaw cresce com o tempo, pois informações
de magnetômetro não estão sendo usados e a
trajetória de referência não é excitante o suficiente.
Mais precisamente, ocorre um problema de
observabiliade de yaw no Filtro de Kalman.
5.2 – Auxílio de leitura de baseline: as antenas
escravas e de referência possuem sua localização no
referencial do corpo, a qual é selecionada pelo
usuário. Neste trabalho, as baselines e são,
respectivamente, [1,0,0]m e [1.067, 1.067, 0]m.
Com a atitude verdadeira, a baseline no
referencial de navegação é simulada utilizando ruído
com desvio padrão de 3 cm. A equação (12) é então
utilizada para se estimar as baselines. As figuras 7 e
8 mostram o resultado das estimativas de atitude.
Fig. 7 – Atitude estimada - com auxílio de leitura de
baselines.
Fig. 8 – Erro de estimação de atitude - com auxílio
de leitura de baselines.
Como pode ser visto pelas figuras 7 e 8, a maior
alteração da estimativa de atitude ocorre no
componente de yaw, como esperado, pois nela as
leituras de acelerômetros não são significativas, o
que não ocorre com nos ângulos de roll e pitch.
Basicamente, o erro na estimativa de yaw depende da
acurácia com a qual as baselines são estimadas em
(12). Em aplicações em tempo real, isto ocorre
devido a dois fatores: 1) qualidade dos receptores
GNSS e 2) erros na solução do problema de
ambiguidade de fase.
7 Conclusão
Este trabalho investigou a influência do auxílio
de atitude via baseline para um navegador INS-
GNSS. Analisou-se, especificamente, a influência na
estimativa do ângulo de yaw. Como ferramenta de
simulação, foi utilizada uma interface gráfica
desenvolvida em MatLab (Schad et al, 2010) com o
código de fusão em C. Tal ferramenta permitiu, de
forma rápida e simples, a alteração de parâmetros,
bem como a análise de desempenho do sistema.
As medidas do receptor GPS e IMU utilizadas
na simulação foram todas geradas artificialmente,
porém foram levadas em consideração todas as
0 50 100 150 200 250 300 350 400-6
-4
-2
0
2
4
6
8
10
12Estimação de atitude
Multiplos de deltatn [0.01s]
Ângulo
[º]
Roll
Pitch
Yaw
Roll Estimado
Pitch Estimado
Yaw Estimado
0 50 100 150 200 250 300 350 400-1.5
-1
-0.5
0
0.5
1
1.5Erro de estimação
Multiplos de deltatn [0.01s]
Ângulo
[º]
Erro de Roll
Erro de Pitch
Erro de Yaw
0 50 100 150 200 250 300 350 400-6
-4
-2
0
2
4
6
8
10
12Estimação de atitude
Multiplos de deltatn [0.01s]
Ângulo
[º]
Roll
Pitch
Yaw
Roll Estimado
Pitch Estimado
Yaw Estimado
0 50 100 150 200 250 300 350 400-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8Erro de estimação
Multiplos de deltatn [0.01s]
Ângulo
[º]
Erro de Roll
Erro de Pitch
Erro de Yaw
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
838
fontes de erros e ruídos. Portanto, a determinação das
informações de baseline foi feita a partir de dados
simulados, pois o objetivo era a análise de
desempenho do navegador quando este utiliza
medida de baseline como informação auxiliar.
Concluiu-se que a leitura de baseline
efetivamente reduz o erro na estimação deste ângulo.
Como trabalhos futuros pretende-se utilizar
dados reais de IMU e receptor GPS para determinar
as informações de baseline e analisar o desempenho
do navegador INS/GNSS quando utiliza o auxílio de
atitude via ângulo e baseline.
Agradecimentos
Os autores agradecem à FINEP pelo suporte
financeiro.
Referências Bibliográficas
Teunissen, P. J. G. (1994). A New Method for Fast
Carrier Phase Ambiguity Estimation The Carrier
Phase Observation Equation, pp. 562-573.
Dai, Z., Knedlik, S. and Lo_eld, O. (2008). Toolbox
for GPS-based attitude determination: An
implementation aspect, pp. 389-405.
Ribeiro, L. C. (2012). Determinação da Atitude
Utilizando Receptores GPS.
Ribeiro, L. C., Hemerly, E. M. “GPS Ambiguity
Resolution with Least Squares Methods”, 21st
Brazilian Congress of Mechanical Engineering -
COBEM, 2011.
Nogueira, H. V., Hemerly, E. M. (2012). Influência
do Erro de Estimação do Comprimento das Baselines
na Determinação da Atitude GNSS.
Hemerly, E. M., Schad, V. R. (2005). Real-Time
Implementation of a Low Cost INS∕GNSS Kalman
Filter Based Navigation System.
Landau, H., Euler, H. J. On-the-fly Ambiguity
Resolution for Precise Differential Positioning. In:
International Technical Meeting of the Sattelite
Division of the Intitute of Navigation, 1992,
Albuquerque. Proceedings…[S.1.: s.n.], 1992. P.607-
613.
Lu, G. Development of a GPS multi-antenna systems
for attitude determination. 1995. Thesis (PhD) –
Departmente of Geomatics Engineering, University
of Calgary, Calgary.
Xu, P. Parallel Cholesky-based reduction for the
weighted integer least squares problem. Journal of
Geodesy, Springer, v.86, p.35-52, 2012.
Teunissen, P. J. G. A new method for fast carrier
phase ambiguity estimation. IEEE position location
and navigation system, Las Vegas, p.562-573, 1994.
Chang, X-W., Zhou, T. MILES MATLAB Package
for solving Mixed Integer Least Squares Problems,
Theory and Algorithms. Scientific Computing
Laboratory School of Computer Science McGill
University, v.11, N. 4, p.289-294, 2006.
Hemerly, E. M., Schad, V. R. (2010).
Implementation of na AHRS with GNSS Baseline
Readings.
Ribeiro, L. C., Hemerly, E. M. (2011). GNSS
Ambiguity Resolution with Least Squares Methods.
Kim, J., Jee, G., Lee, J. G.(1998). A Complete
GPS∕INS Integration Technique Using GPS Carrier
Phase Measurements.
Schad, R. V., Oliveira, A. B. V., Hemerly, E. M.,
Walter, F. (2010). A Rail GNSS-INS Tight Coupling
Locomotive Location System.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
839