روشی نوین برای بهبود ترازبندی دقیق ایستای سیستم ناوبری اینرسی متصل به بدنه
محورهای موضوعی : مهندسی برق ( الکترونیک، مخابرات، قدرت، کنترل)
1 -
کلید واژه: ترازبندی خام, ترازبندی دقیق , سیستم ناوبری اینرسی متصل به بدنه,
چکیده مقاله :
ترازبندی ایستا که یکی از موضوعات مهم در بحث ناوبری اینرسی است، شامل دو گام ترازبندی خام و ترازبندی دقیق می باشد. در ترازبندی خام، که از یک روش تحلیلی استفاده می شود، تخمینی خام از شرایط اولیه بدست می آید و این تخمین ورودی تراز بندی دقیق می باشد. در ترازبندی دقیق، با استفاده از یک فیلتر و خروجی ترازبندی خام، تخمین دقیق تری از شرایط اولیه بدست می آید. یکی از مواردی که در ترازبندی ایستا، به آن پرداخته می شود، مقادیر بایاس شتاب سنجها و ژیروسکوپها می باشد که تخمین این پارامترها در روشهای سنتی به خوبی انجام نمی شود. در این مقاله، روشی نوین برای بهبود ترازبندی دقیق ایستای یک سیستم ناوبری اینرسی متصل به بدنه پیشنهاد شده است. در روش پیشنهادی، بردار حالت خطای ترازبندی دقیق ایستای سیستم ناوبری اینرسی به دو بخش بایاس سنسورها و خطاهای وضعیت و سرعت تقسیم بندی می شود. برای تعیین بایاس سنسورها، از یک روش تحلیلی و برای تخمین خطاهای وضعیت و سرعت از فیلتر کالمن توسعه یافته استفاده شده است. با استفاده از شبیه سازی، عملکرد و بازدهی این روش با روشهای سنتی مقایسه شده است که نشان می دهد تخمین شرایط اولیه و همچنین مقادیر بایاس شتاب سنچها و ژیروسکوپها به خوبی انجام می گردد.
Static alignment, which is one of the important topics in the discussion of inertial navigation, includes two steps of coarse alignment and fine alignment. In coarse alignment, which uses an analytical method, a crude estimate of the initial conditions is obtained, and this estimate is the input to the fine alignment. In fine alignment, a more accurate estimate of the initial conditions is obtained by using a filter and coarse alignment output. One of the things that is addressed in static alignment is the biases of accelerometers and gyroscopes, which cannot be estimated well in traditional methods. In this paper, a new method is proposed to improve the static fine alignment of a strapdown inertial navigation system. In the proposed method, the error state vector of the static fine alignment is divided into two parts: the sensors biases and the position and speed errors. An analytical method has been used to determine sensors biases, and the extended Kalman filter has been used to estimate the position and speed errors. Using simulation, the performance and efficiency of this method have been compared with traditional methods, which shows that the estimation of the initial conditions as well as the sensors biases are done well.
[1] R.M. Rogers, Applied mathematics in integrated navigation systems, American Institute of Aeronautics and Astronautics, 2007.
[2] D. Titterton, J.L. Weston, J. Weston, Strapdown inertial navigation technology, IET, 2004.
[3] L. Chang, J. Li, S. Chen, Initial alignment by attitude estimation for strapdown inertial navigation systems, IEEE Transactions on Instrumentation and Measurement2014.
[4] X. Xu, J. Lu, T. Zhang, A Fast-Initial Alignment Method With Angular Rate Aiding Based on Robust Kalman Filter, IEEE Access, 2019.
[5] X. Wang, Fast alignment and calibration algorithms for inertial navigation system, Aerospace Science and Technology, 2009.
[6] G. Cheng, S. Cao, L. Guo, W. Chen, Initial alignment of Inertial Navigation System based on a predictive iterated Kalman filter, in: 2018 37th Chinese Control Conference (CCC), IEEE, 2018.
[7] X. Xu, J. Lu, T. Zhang, A Fast-Initial Alignment Method With Angular Rate Aiding Based on Robust Kalman Filter, IEEE Access, 2019.
[8] H.R.; Xu, X.; Huang, L.; Zhao, H. SINS/GNSS Polar Region Integrated Navigation Method based on Virtual Spherical Model. Navig. Position, 2021.
[9] Q. Chen, H. Lin, R. Guo, and X. Niu, Rapid and accurate initial alignment of the low-cost MEMS IMU chip dedicated for tilted RTK receiver, GPS Solutions, 2020.
[10] Y. Wei, H. Li, and M. Lu, Carrier Doppler-based initial alignment for MEMS IMU/GNSS integrated system under low satellite visibility, GPS Solutions, 2021.
[11] G. Cheng, S. Cao, L. Guo, W. Chen, Initial alignment of Inertial Navigation System based on a predictive iterated Kalman filter, in 2018 37th Chinese Control Conference (CCC), IEEE, 2018.
[12] Q. Lin, H. Lin, J. Kuang, Y. Luo and X.Niu, Rapid Initial Heading Alignment for MEMS Land Vehicular GNSS/INS Navigation System, IEEE , 2023.
