اميرحسين اسكندري

Integration of INS & GPS navigation system using Adaptive Kalman filter an‎d neural network

در اين پروژه، به بررسي و مقايسه‌ي عملكرد فيلتر كالمن (KF) ¹و نسخه‌هاي تطبيقي آن شامل فيلترهاي نوآورانه تطبيقي نوع اوّل (IAKF1) ²مبتني برافزايش ثابت ماتريس R و نوع دوم (IAKF2) ³مبتني بر آزمون كاي‌دو در چارچوب شبيه‌سازي و بررسي روابط پرداخته خواهد‌ شد. هدف اصلي، بهبود دقّت ناوبري و كاهش اثر خطاهاي سامانه‌ي موقعيت‌ياب جهاني (GNSS) 4در تلفيق با واحد اندازه‌گيري اينرسي (IMU) ⁵است. براي اين منظور، ابتدا داده‌هاي ساختگي با نويز تصادفي و دامنه محدود توليد مي‌شود تا عملكرد فيلترها را در شرايط كنترل‌شده بررسي كنيم. سپس، داده‌هاي واقعي با نويز تصادفي معمول و در ادامه داده‌هاي واقعي با اعوجاج‌هاي پايدار به كار گرفته شدند تا شرايط عملي و چالش‌برانگيزتر را نيز پوشش دهيم. نتايج نشان‌داد كه در شرايط نويز كوچك و پايدار، الگوريتم IAKF2 توانست بهترين دقّت را ارائه دهد و نسبت به KF و IAKF1 خطاي كمتري ايجاد‌ كند. در شرايطي كه داده‌هاي حقيقي نويز تصادفي معمولي داشتند، تفاوت محسوسي بين فيلترها مشاهده نشد و همگي عملكرد مشابهي داشتند. امّا در حضور اعوجاج‌هاي طولاني‌مدّت، هيچ‌يك از فيلترها به‌تنهايي قادر به جبران خطا نبودند و نياز به استفاده از راهكارهاي تركيبي و الگوريتم‌هاي مقاوم احساس شد. به‌طور كلّي، نتايج اين تحقيق بيانگر آن است كه انتخاب فيلتر مناسب وابسته به ماهيت خطا و شرايط محيطي است؛ IAKF2 در محيط‌هاي كنترل‌شده و كم‌خطا بيشترين كارآيي را دارد، IAKF1در برابر خطاهاي لحظه‌اي مقاوم‌تر است و در شرايط اعوجاج پايدار بايد از روش‌هاي تقويتي و تركيبي استفاده گردد.

تلفيق سامانه INS/GPS , فيلتر كالمن تطبيق‌يافته , شبكه عصبي , فيلتر كالمن , سامانه INS , سامانه GPS