طراحی و پیاده‌سازی سیستم ناوبری تلفیقی ins/gps با استفاده از فیلتر کالمن تطبیقی

با توجه به اهمیت دقت ناوبری، اغلب سامانه ناوبری اینرسی را با یکی از سایر سامانه‌های ناوبری، تلفیق می‌کنند. در یکی از انواع این روش‌ها سامانه ناوبری اینرسی با سامانه موقعیت یاب جهانی تلفیق می‌شود. سیستم ناوبری تلفیقی متشکل از دو سامانه ، قابلیت ناوبری قابل اعتماد، دقیق و مداوم را به همراه دارد. طراحی فیلتر تخمین‌زن حالت، یکی از گام‌های اساسی در پیاده‌سازی سیستم‌های ناوبری تلفیقی است. بدلیل پیچیدگی نویز در محیط‌های عملی و وجود نویز با مشخصات آماری نامشخص، دقت تخمین فیلتر کالمن کلاسیک تا حد زیادی کاهش کاهش یافته و حتی موجب واگرایی شود. بنابراین در این مقاله برای بهبود عملکرد ناوبری تلفیقی یک مفهوم خود انطباق به فیلتر کالمن کلاسیک معرفی می‌شود و الگوریتم فیلتر کالمن تطبیقی sage-husa اصلاح شده مبتنی بر تخمین گر نویز بازگشتی بر پایه برآورد بیشینه احتمال پسین شکل می‌گیرد تا مشکل تخمین حالت در محیط‌های عملی با نویز پیچیده و مشخصات آماری نامشخص و عدم قطعیت در مدل را حل کند. برای ارزیابی الگوریتم پیشنهادی از تست خودرویی استفاده شد و نتایج بدست آمده نشان داد که الگوریتم پیشنهادی از دقت و عملکرد بسیار قابل قبولی برخوردار است. علاوه براین نتایج شبیه‌سازی نشان داد که الگوریتم پیشنهادی در مقایسه با سایر روش‌های پیشین از دقت تخمین بالاتری برخوردار است، بطوری که توانست معیار ارزیابی rmse موقعیت در راستای ارتفاع و سرعت در راستای عمودی را به ترتیب حدود 38% و 25% و معیار ارزیابی rmse و معیار ارزیابی std زاویه سمت را به ترتیب به میزان 18% و 17% بهبود دهد.

design and construction of ins/gps navigation system based on adaptive kalman filter algorithm

due to the importance of navigation accuracy, the inertial navigation system is often combined with one of the other navigation systems. in one of these methods, the inertial navigation system is combined with global positioning system. an integrated navigation system consisting of both systems provides reliable, accurate, and consistent navigation capabilities. the design of the estimator filter is one of the basic steps in the implementation of integrated navigation systems. due to the difficulty in obtaining the accurate model of nonlinear systems, also the complexity of noise in practical environments and existence of noise with uncertain statistical characteristics, the accuracy of the kf estimation is greatly reduced. therefore, in this paper, to improve the integrated navigation performance, a concept of self-adaptation to the kf is introduced, and the modified sage-husa adaptive kalman filter algorithm based on the recursive noise estimator basis of the maximum posterior likelihood estimation is formed to overcome the shortcomings of the kf methods and solve the problem of state estimation in practical environments with complex noise and uncertain statistical characteristics and uncertainty in the model. a vehicle test was used to evaluate the proposed algorithm, and the results showed that the proposed algorithm has very acceptable accuracy and performance. so it was able to improve the rmse evaluation criteria of position in the direction of height and speed in the vertical direction by about 38% and 25%, respectively and the rmse evaluation criteria and std evaluation criteria of the heading angle are 18% and 17%, respectively.