31333

هوشمندسازي سامانه تلفيقي GPS/INS در شرايط عدم قطعيت دادههاي موقعيت

دكتري

مهندسي برق -الكترونيك

1399

19/04/1403

دكتر سيد محمدرضا موسوي ميركلايي، دكتر احمد آيت اللهي

-

مهندسي برق

امروزه افزايش دقت و قابليت اطمينان سامانه¬ها در طراحي سامانه¬هاي جديد ناوبري مدرن از اهميت ويژه¬اي برخوردار است. از سوي ديگر، استفاده منفرد از سامانههاي ناوبري هر كدام مزايا و معايبي را دارا هستند. بنابراين، يكي از موارد افزايش دقت و قابليت اطمينان سامانهها استفاده هم¬زمان از چند سامانه است. در اين رساله، براي افزايش دقت و قابليت اطمينان از سامانه ناوبري اينرسي (INS) و سامانه موقعيتياب جهاني (GPS) استفاده ميشود. INS يك سامانه مستقل با نرخ به روز رساني بالا است و در كوتاه مدت دقت خوبي دارد؛ همچنين با گذشت زمان، خطاي INS با انتگرال مرتبه دوم و سوم زمان افزايش مييابد. در سوي ديگر، GPS يك سامانه ماهوارهاي است كه در بلند مدت دقت خوبي با نرخ به روزرساني يك هرتز دارد. بنابراين، پيشنهاد براي تلفيق اين سامانهها گزينه بسيار مناسبي است. به اين معني كه با يك الگوريتم حذف نويز و يك الگوريتم تلفيقي در سادهترين حالت همانند فيلتر كالمن، ميتوان اين دوسامانه را تلفيق نمود. اما، چالش اين موضوع در تلفيق ساده تمام نخواهد شد. سامانه GPS به دلايل مختلف يا در دسترس نخواهد بود و يا اينكه دادههاي دريافتي از آن قابل اعتبار نيستند. از اين رو، نياز به يك الگوريتم هوشمند است تا واسطهاي ميان INS و GPS شود تا از عدمقطعيتهاي به وجود آمده پيشگيري كند. پس در نهايت هدف اين رساله، ارائه يك روش تلفيقي هوشمند است كه در شرايط عدمقطعيت بتواند يك عملكرد قابل توجيهي از خود از لحاظ افزايش دقت موقعيتيابي و پيچيدگي زماني ارائه دهد. در اين رساله، از الگوريتمهاي يادگيري عميق براي جبران عدمقطعيت دادههاي GPS، از الگوريتمهاي تطبيقي براي بهبود تلفيق دو سامانه ناوبري GPS/INS و از الگوريتمهاي موجك مبتني بر ليفتينگ براي حذف نويز استفاده شده است. حاصل اين استفاده، به طور متوسط بهبودي 80 درصدي را براي موقعيتيابي در عدمقطعيت دادههاي GPS در يك زمانبندي برخط تضمين ميكند.

1403/07/21

Improving the INS/GPS Performance via Artificial Intelligence in Uncertain Position Data

7/9/2025 12:00:00 AM

Nowadays, increasing the accuracy and reliability of systems is of particular importance in designing new modern navigation systems. On the other hand, the singular use of navigation systems each has its advantages and disadvantages. Therefore, one way to enhance the accuracy and reliability of systems is to use multiple systems simultaneously. In this thesis, both systems are utilized to improve the accuracy and reliability of the Inertial Navigation System (INS) and the Global Positioning System (GPS). INS is an independent system with a high update rate and good short-term accuracy; however, over time, the INS error increases with second and third-order integrals. On the other hand, GPS is a satellite system with good long-term accuracy with a 1 Hz update rate. Therefore, the suggestion for combining these systems is a very suitable option, meaning that with an algorithm for noise removal and a fusion algorithm like the Kalman filter, these two systems can be integrated. However, the challenge of this matter will not be resolved by simple integration. The GPS may not be available for various reasons or the received data may be unreliable. Therefore, the need for an intelligent algorithm is essential to act as an intermediary between INS and GPS to prevent uncertainties. Thus, the ultimate goal of this thesis is to provide an intelligent fusion method that can offer a justifiable performance in terms of improving positioning and timing accuracy in uncertain conditions. In this thesis, deep learning algorithms are used for uncertainty in GPS data, adaptive algorithms for fusion, and wavelet algorithms for noise reduction. The result of this utilization, considering the increased computational complexity of the system, guarantees an average improvement of 80% for positioning in GPS data uncertainty at a lower time rate than the sensor update rate.

سامانه موقعيت¬يابي جهاني، سامانه موقعيت¬يابي اينرسي، فيلتر كالمن، يادگيري عميق، تبديل موجك، فيلتر كالمن تطبيقي، فيلتر اطلاعات، مدلهاي چندگانه، تبديل موجك، شبكه LSTM، شبكه GRU، يادگيري افزايشي.

GPS, INS, Kalman Filter, Deep Learning, Wavelet Transform, Adaptive Kalman Filter, Information Filter, Faded Memory Kalman Filter, Multiple Models, Lifting Wavelets, LSTM, GRU, Incremental Learning.

h. alaeiyan

Dr. MR. Mosavi, Dr. A. Ayatollahi