23044

بهبود كارآيي سامانه‌ي ناوبري تلفيقي INS/GPS با استفاده از شبكه هاي عصبي

كارشناسي ارشد

سيستم هاي الكترونيك ديجيتال

1397-1399

1399/08/24

دكتر سيد محمد رضا موسوي ميركلائي

برق

با توجه به اهميّت دقت ناوبري در كاربردهايي با سرعت بالا، اغلب سامانه ناوبري اينرسي (INS) را با يكي از سامانه‌هاي ناوبري ماهواره‌اي تلفيق مي‌كنند. در يكي از انواع اين روش‌ها كه در آن INS با GPS تلفيق مي‌شود، مسئله‌ي قطعي GPS يك چالش مهم و غيرقابل اجتناب است. مضاف بر قطعي GPS، استفاده از حسگرهاي ارزان قيمت ميكروالكترومكانيكي (MEMS) در INS، كه داراي كيفيت پايين بوده و خروجي نويزي دارند، دقت ناوبري خالص INS را به شدت كاهش داده و با طولاني شدن قطعي GPS، آن را به واگرايي مي‌كشاند. در اين پايان‌نامه، ضمن شبيه‌سازي معادلات مكانيزاسيون سامانه ناوبري INS به طور بلادرنگ، با استفاده از هوش مصنوعي، ناوبري INS/GPS كه توسط فيلتر كالمن توسعه‌يافته تلفيق شده‌اند را در زمان قطعي GPS بهبود داده‌ايم. در طول مدتي كه GPS در دسترس است، بلوك هوشمند در فاز آموزش است؛ در اين فاز، خروجي بلوك هوشمند با مقدار مطلوب، كه همان تغييرات خروجي GPS مي‌باشد، مقايسه مي‌شود. در زمان قطعي GPS، عملاً شبكه عصبي نقش GPS را در سامانه ناوبري تلفيقي ايفا مي‌كند. به منظور سنجش اين رويكرد و نيز مقايسه دقت تخمين، تعدادي از شبكه‌هاي عصبي متفاوت در پنج روش مختلف از شبكه‌هاي عصبي MLP، RBF، SVR، موجك و نيز سامانه استنتاج فازي-عصبي تطبيقي (ANFIS) به عنوان بلوك هوشمند استفاده كرده‌ايم. همچنين داده¬هايي كه در اين پايان‌نامه براي سنجش روش¬هاي بيان شده استفاده شده است، از يك محيط واقعي توسط يك ميني هواپيما كه داراي حسگرهاي MEMS بوده است، جمع¬آوري شده‌اند. نتايج بدست آمده براي تمامي شبكه‌هاي عصبي، نشان‌دهنده‌ي آن است كه ناوبري تحت اين رويكرد در زمان قطعي GPS، نسبت به ناوبري خالص INS و نيز ناوبري تلفيقي INS/GPS توسط فيلتر EKF، به صورت چشم‌گيري بهبود يافته است. ضمناً در ميان پنج بلوك هوشمند نيز، ANFIS توانسته است حدوداً بيش از 20% نسبت به ديگر روش¬ها دقت داشته باشد.

1399/10/30

Performance Improvement of GPS/INS Integration Navigation System using Neural Network

11/15/2021 12:00:00 AM

Abstract: The importance of navigation precision at high-speed applications has led to integrating the Inertial Navigation System (INS) with satellite navigation systems. In one of those integration methods that INS is integrated with GPS, GPS outage is an unavoidable challenge. Moreover, because of the usage of low-cost MEMS sensors with noisy outputs, the precision of navigation severely decreases, and in a long time, the INS will diverge. In this thesis, after simulating INS's mechanization equation in real-time, we improve INS/GPS integration Navigation based on Extended Kalman Filter (EKF) with Artificial Intelligence (AI). While GPS is accessed, AI is in the training phase. In this phase, the output of AI is compared with GPS increment; that is our desire. AI will practically play a GPS role during GPS outage. To evaluate this approach and to compare some different intelligence systems, we used Neural-Networks (NNs) as an AI module in five different NNs: MLP, RBF, SVR, Wavelet, and Adaptive Neuro-Fuzzy Inference System (ANFIS). This thesis' used data are gathered in a real environment and from a mini-airplane to compare all five mentioned methods. The results of all five methods indicate that navigation with this introduced approach quietly outperforms INS purely navigation and INS/GPS integration navigation with EKF during GPS outage. The ANFIS also reached about more than 20% precision in comparison with others.

ناوبري , تلفيق داده , شبكه عصبي , موجك

َGPS Outage , MLP , RBF , SVR , EKF , ANFIS