ارائه یک روش مقاوم به خطای رانش برای تخمین موقعیت با حسگر واحد اندازه‌گیری اینرسی بر اساس فیلتر کالمن

تخمین موقعیت یک چالش کلیدی در بسیاری از کاربردها است که معمولاً از حسگرهای واحد اندازه‌گیری اینرسی (imu) برای این منظور استفاده می‌شود. انتگرال‌گیری از شتاب تجربی اندازه‌گیری‌شده توسط imuها، ممکن است منجر به سیگنالی شود که با گذشت زمان از مرتبه دو رشد می‌کند. این اثر در فرآیند تخمین موقعیت، رانش یا انحراف نام دارد. خطای رانش، در اندازه گیری حرکت‌های متناوب بدنی مانند راه رفتن یا لرزش دست نیز ایجاد می‌شود. در این مقاله، یک رویکرد نوآورانه را در جهت رفع این خطا در حرکت‌های متناوب برمبنای سفارشی‌کردن ماتریس انتقال حالت فیلتر سنتی و خطی کالمن پیشنهاد می دهیم. این ایده، بر پایة دخالت‌دادن ضمنی فرض تناوب حرکت در معادلات سینماتیک و به کارگیری بسط فوریه است که منجر به مقاوم‌تر شدن تخمین موقعیت در برابر رانش می‌شود. با شبیه سازی عملکرد روش پیشنهادی بر روی سیگنال‌های تناوبی و نیز سیگنال تجربی که از لرزش دست اخذ شده است، درستی روش پیشنهادی را ارزیابی می نماییم. نتایج نشان می‌دهند که این روش بدون هزینه محاسباتی اضافی، در مقابل رانش مقاوم بوده و از نظر سازگاری در مقایسه با پارامترهای سنتی فیلتر کالمن عملکرد بهتری از خود نشان می‌دهد.

a novel drift-robust method for position estimation based on linear kalman filter

position estimation is a key challenge in many applications where inertial measurement unit (imu) sensors are commonly used forthis purpose. double integrating the experimental acceleration measured by imus may result in a signal that grows quadraticallywith time. this effect in the position estimation process is called drift. the drift error is also arisen in the measurement ofintermittent body movements such as walking or hand tremor. in this paper, we propose an innovative approach to solve this errorbased on the traditional linear kalman filter. this idea is according to the implicit involvement of the assumption of periodicity ofthe motion in the state equations and the use of fourier expansion, which leads to the position estimation being more robust to drift.we evaluate the accuracy of the proposed idea via evaluating its performance on some periodic signals as well as the experimentalsignal obtained from hand tremors. the results indicate that this method is robust to drift without additional computational cost, andit performs superior in terms of consistency compared to the traditional kalman filter parameters.