طراحی و اجرای مدل بدیع خطای حسگرهای اینرسی در فیلتر کالمن توسعه‌یافته بر اساس الگوریتم ژنتیک

در این مقاله، مدلی جدید بر پایه الگوریتم ژنتیک به‌صورت بلادرنگ برای خطای حسگرهای اینرسی ارزان‌قیمت توسعه داده می‌شود. در سامانه‌های ناوبری اینرسی عدم رفع خطاهای حسگرهای اینرسی نه‌تنها سبب می‌شود خطاهای موقعیت‌یابی به‌شدت افزایش یابد بلکه منجر به کاهش دقت در تخمین سایر متغیرهای حالت ناوبری نیز می‌شود. این موضوع اهمیت و ضرورت ارائه الگوریتمی کارآمد برای مدل‌سازی نسبتاً دقیق از خطاهای حسگرهای اینرسی می‌شود. در این مقاله، از الگوریتم ژنتیک برای مدل‌سازی خطای حسگرهای اینرسی استفاده‌شده است. هدف اصلی از طراحی این مدل این است که باوجود خطاهای اندازه‌گیری در حسگرهای ناوبری اینرسی، بتوان تخمین دقیقی از موقعیت، سرعت و زوایای سمت و تراز سیستم ناوبری اینرسی داشت. به‌منظور پیاده‌سازی و مقایسه الگوریتم ارائه‌شده و صحه‌گذاری آن از تست خودرو استفاده می‌شود. نتایج حاصل از تست نشان می‌دهد که با استفاده از الگوریتم طراحی‌شده، دقت تخمین متغیرهای حالت ناوبری اینرسی نسبت به سایر روش‌های متداول همچون گوسمارکوف به میزان قابل‌توجهی افزایش خواهد یافت. لذا در حالت کلی این روش ارائه شده سبب بهبود نتایج ناوبری اینرسی خواهد شد.

Design and implementation a novel inertial sensor errors model in extended Kalman filter based on genetic algorithm

In this paper, a novel algorithm for the realtime modeling of the inertial sensor errors is developed based on the genetic algorithm. In the inertial navigation systems, failure to compensate inertial sensor errors not only could result in exponentially increasing of positioning errors, but also leads to loss of precision in the estimation of other states. This subject indicates the importance of providing an accurate algorithm for sensor errors modeling in the Inertial Navigation Systems (INS). In this respect, a genetic algorithm is proposed in this study for modeling of inertial sensor errors. The main aim of designing this algorithm is to improve the estimation accuracy of position, velocity and attitude of the INS in the presence of uncertainties in inertial sensors. Some vehicular tests have been carried out in order to comparison, implementation and verification of the proposed integration scheme. The experimental results indicate that the proposed algorithm enhanced the estimation accuracy compared with the conventional GaussMarkov model. Therefore, in general, the proposed method will improve the results of inertial navigation.