Pobierz - Akademia Morska w Szczecinie
Transkrypt
Pobierz - Akademia Morska w Szczecinie
ISSN 1733-8670 ZESZYTY NAUKOWE NR 11(83) AKADEMII MORSKIEJ W SZCZECINIE IV MIĘDZYNARODOWA KONFERENCJA NAUKOWO-TECHNICZNA E X P L O-S H I P 2 0 0 6 Andrzej Stateczny, Andrzej Lisaj, Chafan Mohammad Fuzja danych nawigacyjnych w przestrzeni filtru Kalmana Słowa kluczowe: filtr Kalmana, multisensorowa fuzja danych W artykule przedstawiono problem wielosensorowej fuzji danych nawigacyjnych. Podano konfigurację wielosensorowego filtru Kalmana, opracowanego w celu wyznaczania wektora stanu obiektu, opartego na jednorodnych danych pozyskiwanych za pomocą zestawu odbiorników satelitarnych. Navigational Data Fusion in a Kalman Filter Space Key words: Kalman filter, multisensor data fusion The article deals with a problem of multisensor navigational data fusion. The multisensor Kalman filter’s configuration is given. The filter has been developed to determine an object vector based on uniform data obtained by a set of satellite receivers. 279 Andrzej Stateczny, Andrzej Lisaj, Chafan Mohammad Wstęp W procesie prowadzenia nawigacji przetwarzaniu podlegają informacje zarówno ze źródeł zewnętrznych, jak i wewnętrznych statku. Pokładowymi, wewnętrznymi źródłami informacji nawigacyjnych w zdecydowanej większości sytuacji będą odbiorniki systemu nawigacji satelitarnej oraz morski radar nawigacyjny. Zewnętrznymi źródłami informacji będą natomiast brzegowe stacje radarowe oraz systemy AIS i VTS [10, 11]. Konieczne jest uporządkowanie zbioru różnorodnych danych nawigacyjnych i ich przetwarzanie w procesie kierowania statkiem, w tym również w procesie zapobiegania kolizjom [4, 8, 9]. Problem wspólnej analizy danych nawigacyjnych pozyskiwanych za pomocą wielu urządzeń nawigacyjnych jest typowym problemem wielosensorowej fuzji danych. Zadanie polega na skonstruowaniu modelu do analizy oraz selekcji informacji nawigacyjnej, jej weryfikację oraz zarządzanie zbiorem danych nawigacyjnych w aspekcie dokładności i jakości danych w celu udostępnienia przetworzonej informacji oficerowi wachtowemu. Jednym z możliwych rozwiązań zadania wielosensorowej fuzji danych nawigacyjnych jest wykorzystanie filtru Kalmana. W artykule przedstawiono model wielosensorowego filtru Kalmana dla estymacji stanu danych jednorodnych. 1. Model matematyczny fuzji danych oparty na równaniach filtru Kalmana Działanie filtru Kalmana najogólniej polega na predykcji i korekcji. Filtr dokonuje predykcji na podstawie wcześniejszych obliczeń, zaś składnik korygujący powstaje w wyniku pomnożenia macierzy wzmocnienia K przez różnicę wektora pomiaru faktycznego i wektora estymowanego [5]. W przypadku, gdy obiekt jest opisany nieliniowym równaniem stanu i nieliniowym równaniem wyjścia, można zastosować model matematyczny, przedstawiony poniżej [6]. Składa się on z dwóch równań: – modelu procesu (opisującego obserwowany obiekt), – modelu pomiaru (opisującego przeprowadzony na nim pomiar). x(t 1) x(t ) w(t ) yi (t ) H i x(t ) vi (t ) i = 1, 2, ...l, gdzie: x(t), yi(t) – wektory stanu na wejściu i wyjściu układu, w(t), vi(t) – zakłócenia stanu układu, Φ, Hi, Γ – stałe macierze o odpowiednich wymiarach. 280 (1) (2) Fuzja danych nawigacyjnych w przestrzenni filtru Kalmana Zakładamy że: – stan początkowy x0 jest zmienną losową o rozkładzie normalnym N(0, σx), – zakłócenie m stanu wejścia i wyjścia układu, w(t) i vi(t), t = 1,2,...,l jest białym szumem gaussowskim o zerowej wartości średniej i macierzami wariancji Q i Ri. Macierz Q stanowi zaburzenie pomiarów na wejściu układu i posiada taką samą wartość, jak macierz R będącą zaburzeniem pomiarów na wyjściu. Ε[vi (t )viT (k )] 0, w(t ) Ε vi (t ) w (k ) T i ≠ j; t , k, (3) Q 0 viT (k ) tk 0 Ri gdzie E jest wartością oczekiwaną, a zmienne w(k) i vi(k) są wektorami transponowanymi oraz δtk jest deltą funkcji Kroneckera. 2. Algorytm fuzji danych z wykorzystaniem wielosensorowego filtru Kalmana Fuzja zbioru danych l sensorów polega na tym, że [1, 6, 7]: Xˆ 0 (t \ t ) A1 (t ) Xˆ 1 (t \ t ) ..... Al (t ) Xˆ l (t \ t ) (4) gdzie: Ai (t ), i 1,2,...,l, są macierzami wag, Xˆ 0 (t \ t ) są to wartości estymowane z poszczególnych zbiorów danych z 1,2,...,l , wskaźników wynikających bezpośrednio z procesu filtracji. Macierz wag wyliczana jest ze wzoru (6): A 1e(eT 1e) 1 (5) gdzie : A [ A1, A2 ,......Al ]T macierz A składa się z bloków A1 , A2 ,..., Al , w których każdy z bloków ma wymiar n × n, gdzie n jest ilością zmiennych wchodzących w wektor stanu obiektu; 281 Andrzej Stateczny, Andrzej Lisaj, Chafan Mohammad e [ I1 ,.....I l ]T macierz e składa się z bloków I1 ,.....I l , gdzie każdy blok I jest macierzą jednostkową po głównej przekątnej o wymiarach n × n. 11 0 0 11 e 1 0 n 0 1n nl A1 A Al nl Macierz Σ jest diagonalną macierzą złożoną z diagonalnych elementów macierzy kowariancji Pij: ( Pij )nl nl gdzie Pij , i, j 1,2,...l Pij ... Pij ... ... ... Pij ... Pij l l P11 P21 ... Pi j ... ... Pn1 P12 ... ... ... P22 ... ... ... ... ... ... ... ... ... .... ... ... ... .... ... Pn 2 ... ... ... (6) P1n P2 n ... ... ... Pnn nn Macierz kowariancji wyliczana jest ze wzoru: Pij (t 1 \ t 1) [ I n Ki (t 1) H i ] [Pij (t \ t )T QT ] [ I n K j (t 1) H j ]T (7) gdzie Pij(t\t), i,j = 1,2....l są macierzami wzajemnych kowariancji błędów po filtracji. Wartości początkowe Pij(0\0)= P0, gdzie P0 to jest ocena dokładności fuzji zbioru danych wyliczana ze wzoru: 282 Fuzja danych nawigacyjnych w przestrzenni filtru Kalmana P0 (eT 1e)1 (8) P0 (eT 1e) 1 eT 1 ( Pij )nl nl 1e(eT 1e) 1 (9) lub Dalszym etapem fuzji danych są zdefiniowane lokalne filtry Kalmana, w których ich ilość jest równa ilości poszczególnych sensorów. Warunki początkowe: xˆ (0 | 0) 0 , Pi (0 | 0) P0 (10) 12 0 0 2 P0 =Pij(0\0) = 0 2 0 , przykładowo 12 = 22 = 32 = 0,1 0 32 0 n n Filtr Kalmana możemy przedstawić za pomocą następujących równań: Pi (t 1 \ t 1) [ I n Ki (t 1) Hi ]Pi (t 1 \ t ) (11) Pi (t 1 \ t ) Pi (t \ t )T QT (12) Ki (t 1) Pi (t 1 \ t ) HiT [Hi Pi (t 1 \ t ) HiT Ri ] (13) i (t 1) yi (t 1) Hi xˆ(t 1 \ t ) (14) Xˆ (t 1 \ t ) Xˆ (t \ t ) (15) Xˆ (t 1 \ t 1) Xˆ (t 1 \ t ) Ki (t 1) i (t 1) (16) 3. Aplikacja wielosensorowego filtru Kalmana Wykonany eksperyment badawczy zakładał posiadanie zestawu odbiorników GPS umiejscowionych centralnie dziób – rufa, lewa burta – prawa burta, gdzie wektor położenia obiektu umiejscowiony będzie w środku statku. Dane uzyskane z GPS zostały poddane w dalszej obróbce estymacji filtrem Kalmana [2, 3, 5]. 283 Andrzej Stateczny, Andrzej Lisaj, Chafan Mohammad Wektor stanu obiektu będzie miał 6 współrzędnych: X = [xx, vx, ax, xy, vy, ay]T. Układ równań różnicowych stanu przyjmie następującą postać: x XK 1 1 x XK T v XK T2 a XK 0 xYK 0 vYK 0 aYK 0 u XK 0 uYK (17) 2 v XK1 0 x XK 1 v XK T a XK 0 xYK 0 vYK 0 aYK 0 u XK 0 uYK (18) a XK 1 0 xXK 0 vXK 1 aXK 0 xYK 0 vYK 0 aYK 1 u XK 0 uYK (19) xYK 1 0 x XK 0 v XK 0 a XK 1 xYK T vYK T2 aYK 0 u XK 0 uYK (20) 2 vYK 1 0 x XK 0 v XK 0 a XK 0 xYK 1 vYK T aYK 0 u XK 0 uYK (21) aYK 1 0 xXK 0 vXK 0 a XK 0 xYK 0 vYK 1 aYK 1 u XK 1 uYK (22) Wynikające z powyższych równań macierze mają następującą postać: 1 0 0 0 0 0 0 0 1 T2 2 T 0 1 0 0 0 0 1 T 0 0 0 1 0 0 0 0 T 0 0 0 0 0 T 2 2 T 1 0 0 1 0 0 0 U X N (0, 1 X ) U U Y N (0, 1Y ) 1 0 0 0 0 0 HT 0 0 0 1 0 0 VX 2 X V VY 2Y czyli 1X 1Y 1 oraz 2 X 2Y 2 . 284 0 0 0 0 0 1 Fuzja danych nawigacyjnych w przestrzenni filtru Kalmana Podsumowanie Zastosowanie filtracji multi-sensorowym filtrem Kalmana pozwoli na wyznaczenie przestrzennego wektora stanu obiektu. Dzięki temu możliwa będzie prezentacja trójwymiarowego modelu statku z wizualizacji wektorów, umiejscowionych w wybranych miejscach statku, np.: dziób, rufa, lewa i prawa burta. Literatura Dąbrowski A., Przetwarzanie sygnałów przy użyciu procesów sygnałowych, Poznań 1997. 2. Gessing R., Duda Z., Estymacja i sterowanie statystycznie optymalne, Gliwice 2005. 3. Kaczorek T., Teoria sterowania i systemów, PWN, Warszawa 1996. 4. Kantak T., Stateczny A., Urbański J., Podstawy automatyzacji nawigacji. Podręcznik AMW Gdynia 1988. 5. Lisaj A., Mohammad C., Intelligent Fusion of Navigational Data, Polish Journal of Environmental Studies, Hard Olsztyn-2005. 6. Shu-li Sun., Multi-sensor optimal information fusion Kalman filters with application, Aerospace Science and Technology 2003. 7. Stateczny A., AIS and RADAR Data Fusion for Maritime Navigation, ZN AM w Szczecinie 2004. 8. Stateczny A., Integration of RADAR, EGNOS/GALILEO, AIS and 3D ECDIS. International Radar Symposium, Warszawa, 2004. 9. Stateczny A., Urbański J., Nawigacja morska jako proces przetwarzania informacji nawigacyjnej. ZN AMW 1995 nr 3. 10. Stateczny A., Urbański J., Systemy ekspertowe w nawigacji morskiej. ZN AMW 1996 nr 2. 11. Stranneby Dag, Cyfrowe przetwarzania sygnałów, BTC-2004. 1. Wpłynęło do redakcji w lutym 2006 r. Recenzent dr hab. inż. kpt.ż.w. Roman Śmierzchalski, prof. AM w Gdyni 285 Andrzej Stateczny, Andrzej Lisaj, Chafan Mohammad Adresy Autorów prof. dr hab. inż. Andrzej Stateczny Instytut Inżynierii Ruchu Morskiego, Zakład Bezpieczeństwa Nawigacyjnego mgr inż. Andrzej Lisaj Instytut Nawigacji Morskiej, Zakład Łączności i Cybernetyki Morskiej Akademia Morska w Szczecinie ul. Wały Chrobrego 1-2, 70-500 Szczecin mgr inż. Chafan Mohammad Politechnika Szczecińska Wydział Informatyki Instytut Grafiki Komputerowej i Systemów Multimedialnych ul. Żołnierska 49, 71-210 Szczecin 286