نوع مقاله : مقالة تحقیقی (پژوهشی)
نویسندگان
1 دانشکده مهندسی هوافضا، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران
2 دانشکده مهندسی هوافضا، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
چکیده
در این مقاله به ارائه ی راهکاری نوین برای حذف نویزها در فرآیند توجیه اولیه سامانه های ناوبری اینرسی پرداخته شده است. به دلیل وجود نوسانات شدید در محیط های شبه ایستا، فرآیند توجیه اولیه اغلب با خطای فراوانی همراه است .ابتدا با فرض وجود اغتشاشات برای بهبود و افزایش دقت اقدام به فیلترینگ شده است. در ادامه ضمن معرفی شاخصه های فیلتر دیجیتال برای این منظور ، به علت حذف برخی از داده های اصلی سنسور، اقدام به شناسایی پارامترهای مجهول و تخمین متغیرهای حالت با استفاده از فیلتر کالمن ماتریسی بر اساس واریانس خطای داده ها میشود. شناسایی پارامترهای مجهول ماتریس تبدیل مختصات با استفاده از فیلتر کالمن ماتریسی ابتکار این مقاله است که منجر به بهبود نتیجه توجیه اولیه در سامانه ناوبری اینرسی شده است. همچینین روش های معمول بر اساس فیلتر کالمن برداری دارای پیچیدگی محاسباتی است اما تخمین مستقیم ماتریس تبدیل با فیلتر کالمن می تواند این پیچیدگی محاسباتی را تا حدی زیادی کاهش دهد.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
improve coarse alignment in inertial navigation system By the method of Identification the Kalman filter matrix
نویسندگان [English]
- Reza Ghasrizadeh 1
- Amirali Nikkhah 2
1 Faculty of Aerospace, Khaje Nasir Din Tusi University of Technology, Tehran, Iran.
2 Associate Professor, Department of Aerospace Engineering, K. N. Tusi University of Technology, Tehran, IRAN.
چکیده [English]
This paper presents a new approach to eliminating noise and disturbances in the corse alignment process for inertial navigation systemsBecause of extreme fluctuations and quasi-static environments, the corse alignment process often involves a lot of errors and noise. Initially, the coarse alignment process for inertial navigation systems is described exhaustively and then, with the assumption of disturbances and noise, we attempt to nudify to improve and initialize the initialization accuracy. Subsequently, introducing the filtering characteristics of the digital filter for the mutation , Due to the deletion of some of the sensor's main data, identifies the missing parameters and estimates the state variables using the Kalman filter matrix based on the variance of the data error. Identifying the missing parameters of the transformation matrix in the coordinate system using the Kalman filter Matrix is the innovation of this paper, which leads to improved note coarse alignment will be inertial navigation systems.
کلیدواژه‌ها [English]
- coarse alignent
- Inertial Navigation System
- giroscopio
- accelerometer
- Filter kalman matrix
- Kalman,R.E., “A new approach to line filtering and predictionproblems".Transactions on ASME, Journal of Basic Engineering, ser. D, Vol. 82, Issue 1, Mar. 1960, pp. 35-45.
- Kalman, R.E. and Bucy, R.S., “New results in linear filtering and prediction theory," Transactions on ASME, Journal of Basic Engineering, Vol. 83, Issu 1, 1961, pp. 95-108.
- Wertz, J.R. (Ed.),"Spacecraft Attitude Determination and Control," Dordrecht, The Netherlands: D. Reidel, 1984.
- Bar-Itzhack, I.Y. and Reiner, J., "Recursive attitude determination from vector Observations," DCM identification. Journal of Guidance, Control, and Dynamics, 7, No. 1, 1984, pp. 51-56.
- Athans, M. and Tse, E., "A direct derivation of the optimal linear filter using themaximum principle,” IEEE Transactions on Automatic Control, 12, Issue 6, 1967, pp. 690-698.
- Athans,M., "The matrix maximum principle,” Information and Control, 11, 1967, pp. 592_606.
- Baruch, M. and Bar-Itzhack, I.Y., “Optimal weighted orthogonalization of measured modes,”AIAA Journal, Vol.16, No. 4, 1978, pp. 346-351.
- Golub, G.H. and Van Loan, C.F., "An analysis of the total least-squares problem". SIAM Journal of Numerical Analysis, Vol. 17, 1980, pp. 883-893.
- VanHuffel, S. and Vandewalle, J., The total least squares problem: Computational aspects and analysis, Society for Industrial and Applied Mathematics, Philadelphia, PA, 1991.
- Choukroun, D., Weiss, H., Bar-Itzhack, I.Y., and Oshman, Y., "Kalman filtering for matrix estimation," IEEE Transactions on Aerospace and Electronic Systems, Vol. 42, No. 1, 2006, pp. 147-159.
- Rogers, R.M. Applied Mathematics in Integrated Navigation Systems, Vol. 1, AIAA; Reston, VA,USA: 2003.
- Shen C., Bai Z., Cao H., Xu K., Wang C., Zhang H., Wang D., Tang J. and Liu J. "Optical flow sensor/INS/magnetometer integrated navigation system for MAV in GPS-denied environment," Journal of Sensors, Vol. 2016.
- Titterton, D. Strapdown Inertial Navigation Technology, AIAA, UK, 2004.
- Xu X., Xu X., Zhang T., Li Y., Tong J., “A Kalman Filter for SINS Self-Alignment Based on VectorObservation. Sensors,” Vol. 17, No. 2, 2017, p.264.
- Li J., Xu J., Chang L.and Zha F., “An Improved Optimal Method for Initial Alignment,” Navig. 2014; Vol. 67, Issue 4, pp.727–736.
- He, H., Xu, J., Li, J., Li, F. and Zha, F., “Improved fast backtracking alignment approach for strapdowninertial navigation system,” Chin. Inert. Technol. Vol. 23, 2015, pp. 179-183.
- Lü, S., Xie, L., Chen, J. “New techniques for initial alignment of strapdown inertial navigation system,” Frankl. Inst., Vol. 346, 2009, pp. 1021–1037.
- Shen C., Cao H., Li J., Tang J., Zhang X., Shi Y., Yang W., Liu J. Hybrid, "de-noising approach for fiber optic gyroscopes combining improved empirical mode decomposition and forward linearprediction algorithms,” Sci. Instrum., 87, 2016, 33305.
- Li, Qian, Yueyang Ben, and Feng Sun., "A novel algorithm for marine strapdown gyrocompass based on digital filter." Measurement, Vol. 46, No.1, 2013, PP. 563-571.
- Xiang, Xu, Xiaosu, Xu, Tao, Zhang, Yao, Li, and Zhicheng, Wang, "A Coarse Alignment Method Based on Digital Filters and Reconstructed Bservation Vectors,” Sensors (Basel). Apr; Published online, 2017.
- choukroun, D., Member, Ieeeucla H. Weiss, Member, Ieee I.Y., Bar-Itzhack, Fellow, Ieeey. Oshman, Senior Member, IEEE Technion Israel Institute of Technology" Kalman Filtering for Matrix Estimation", IEEE Transactions on Aerospacelectronic Systems, Vol. 42, No. 1, 2006.
)