بهبود موقعیت‌یابی ناوبری تلفیقی با استفاده از شبکه‌عصبی چندلایه غیرخطی و فیلتر کالمن مقاوم در هنگام قطعی gps

تعیین موقعیت و جهت‌یابی دقیق از اصلی‌ترین نیازها جهت ناوبری وسایل نقلیه نظامی می‌باشد. روش‌های مختلفی برای تعیین موقعیت وسیله وجود دارد. سیستم ناوبری اینرسی (ins) یکی از روش‌های تعیین موقعیت و وضعیت وسیله نقلیه است که مستقل از فرستنده و لوازم جانبی خارجی کار می‌کند. به دلیل وجود نویز، بایاس و عوامل تاثیرگذار دیگر، خطای این سامانه در طول زمان همواره افزایشی می‌باشد، لذا برای دستیابی به دقت بالاتر در ناوبری‌های طولانی مدت، حداقل به یک سامانه کمک ناوبری نیاز است. از این رو، اصلاح خطا به کمک تلفیق داده‌های ins و سامانه موقعیت‌یابی جهانی (gps) با استفاده از فیلتر کالمن توسعه‌یافته مقاوم (rekf) در این مقاله مورد بررسی قرار گرفته است. در هنگام ورود وسایل نقلیه به مناطق دشمن که دارای مسدودکننده سیگنال هستند، سیگنال gps نیز قطع شده، مشاهدات فیلتر به روزرسانی نشده و در نتیجه، موقعیت نهایی خطای افزایشی خواهد داشت. لذا در این سناریو بجای فیلتر کالمن از شبکه عصبی آموزش دیده شده جهت پیش‌بینی موقعیت در هنگام قطعی gps استفاده شده است. به منظور پیاده‌سازی و تست الگوریتم، سخت‌افزاری با پردازنده و سنسورهای مدنظر طراحی و داده‌ها را به صورت آنلاین ذخیره و الگوریتم تلفیق داده‌های gps/ins مبتی بر فیلتر کالمن و شبکه عصبی بر آن اعمال شده است. نتایج نشان می‌دهد خطای موقعیت با استفاده از شبکه عصبی تا حدود 70 درصد در هر سه راستا بهبود داشته است.

Position improvement of GPS/INS using NAR neural network and robust Kalman filter during GPS outage

Precise guidance and navigation is one of the necessities of every moving vehicle in the transportation industry. Different methods of navigation has been used to determine exact location of the vehicle in each moment. Inertial navigation is a newtonbased method that provides position of the vehicle regardless of any external communication equipment. Inertial navigation is always subject to different disturbing errors that consistently reduce the performance of the system, therefore, for longterm navigation purposes, there should be at least one navigation assisting system to maintain positioning accuracy. Consequently, a GPS/INS data fusion using a Robust Extended Kalman Filter (REKF) is investigated in this paper. When vehicles enter an area with a signal jammer, GPS position would be unavailable, and, filter observations will not be updated. Thus, a trained nonlinear neural network is used to predict position in this scenario. In order to test the algorithm in realworld circumstances, a custom designed board with military standards is employed. The results show about 70% of position improvement towards each axis. The proposed algorithm has improved the position accuracy in GPS/INS integrated system in defined scenario.