پیاده‌سازی تجربی فیلتر مکمل با جدول بهره و مقایسه با فیلتر کالمن روی حسگرهای ارزان‌قیمت

تعیین یا تخمین وضعیت، یکی از ارکان سیستم کنترل وضعیت می‌باشد. حسگرها ابزار اصلی تعیین وضعیت سیستم می‌باشند اما به دلیل وجود نویزها و اغتشاشات مختلف موثر بر حسگرهای وضعیت، بایستی از روش‌های فیلتر کردن مناسب استفاده نمود. کاهش هزینه و وزن در سامانه‌های پروازی بسیار حائز اهمیت بوده است، به همین جهت استفاده از حسگرهای میکرو الکترومکانیکی باوجود مصرف انرژی، وزن و قیمت پایین، موردتوجه بسیاری قرارگرفته است. اما نویزپذیری از ایرادهای حسگرهای میکرو الکترومکانیکی می‌باشد که با ترکیب داده حسگرهای مختلف با استفاده از الگوریتم‌های فیلتر مناسب، می‌توان داده‌ها را به حد قابل قبولی بهبود بخشید. در این پژوهش، الگوریتم فیلتر مکمل با جدول بهره بر روی حسگر ارزان‌قیمت و در شرایط آزمایشگاهی و بر پایه سکوی تست طراحی و ساخته‌شده با دینامیک و نویز شدید پیاده‌سازی شده و با داده‌های فیلتر کالمن و مرجع ثابت مقایسه شده است. درنهایت از طریق تست‌های آزمایشگاهی مشهود است که الگوریتم پیشنهادی با اعمال نویزهای مکانیکی در حالت ایستا و همچنین حرکت نوسانی در نظر گرفته‌شده، دقیق‌تر از فیلتر کالمن عمل می‌کند. به صورتی که می‌توان نتیجه گرفت، در شرایط مفروض، الگوریتم پیشنهادی داده بسیار دقیق‌تر و قابل‌اتکاتری نسبت به فیلتر کالمن ارائه می‌دهد. 

experimental implementation of gain scheduled complementary filter and comparison with kalman filter base on low-cost sensors

determination or state estimation is one of the pillars of the attitude control system. sensors are the main instrument fordetermining the attitude of the system, but due to the presence of various noises and disturbances affecting the attitude sensors,appropriate filtering methods should be used. cost and weight reduction in flight systems has been very important, so the use ofmicroelectromechanical sensors, due to energy consumption, weight and low price, has received much attention. but noise is one of the drawbacks of microelectromechanical sensors that by combining data from different sensors using fusion algorithms, the data can be improved. in this research, the gain scheduled complementary filter algorithm on a low-cost sensor and in laboratory conditions, based on a test platform with high dynamics and noise is implemented and compared with kalman filter data and fixed reference. finally, laboratory tests that the proposed algorithm works more accurately than the kalman filter by applying noises in a static state as well as considering the oscillatory motion.