Pobierz
Transkrypt
Pobierz
Scientific Journals Zeszyty Naukowe Maritime University of Szczecin Akademia Morska w Szczecinie 2008, 13(85) pp. 5‐9 2008, 13(85) s. 5‐9 Pozycjonowanie bazujące na wielosensorowym filtrze Kalmana Positioning based on the multi-sensor Kalman filter Piotr Borkowski, Janusz Magaj, Marcin Mąka* Akademia Morska w Szczecinie, Instytut Nawigacji Morskiej 70-500 Szczecin, ul. Wały Chrobrego 1–2, *tel. 091 48 09 566, *e-mail: [email protected] Słowa kluczowe: wielosensorowy filtr Kalmana, fuzja danych nawigacyjnych Abstrakt W artykule przedstawiono algorytm fuzji danych nawigacyjnych. Algorytm został zweryfikowany poprzez zaimplementowanie go w postaci aplikacji działającej w czasie rzeczywistym. Przedstawiono wyniki eksperymentu polegającego na integracji równoległych pomiarów pozycji, pochodzących z dwóch różnych odbiorników GPS. Key words: multi-sensor Kalman filter, navigational data fusion Abstract This article discusses an algorithm of navigational data fusion. The algorithm has been verified through its implementation in a real time application. Parallel measurements of position obtained from two different GPS receivers have been integrated in this experiment. The experiment results are presented. Wstęp wykorzystującego kilka niezależnych źródeł informacji o położeniu sterowanego obiektu. Systemy takie, chociaż ciągle udoskonalane, także wskazują pozycję z określoną dokładnością, ale obarczoną błędem. Jedną z metod redukcji tego błędu jest zastosowanie systemu nawigacyjnego, w którym do wyznaczenia dokładnej pozycji wykorzystuje się dane uzyskiwane z wielu źródeł oraz poddaje je obróbce: integracji i filtracji w celu dalszego ograniczenia błędów pomiarowych. Główne zalety systemu określania pozycji wykorzystującego filtrację oraz integrację danych nawigacyjnych z wielu źródeł to: Podstawą dobrej praktyki morskiej jest bezpieczne prowadzenie nawigacji, czyli bezpieczne i bezkolizyjne przeprowadzenie jednostki pływającej z jednego miejsca do drugiego. Zagadnienie to sprowadza się do rozwiązania dwóch zadań: określenia pozycji i wytyczenia właściwego kursu sterowanego obiektu. Koniec dwudziestego wieku to okres szybkiego rozwoju satelitarnych systemów pozycjonowania. W dobie nawigacji satelitarnej praktycznie każdy statek jest wyposażony w odbiornik systemu GPS, wskazujący współrzędne pozycji oraz zliczający przebytą drogę. Jednakże opierając się tylko i wyłącznie na informacji nawigacyjnej otrzymywanej z pojedynczych, autonomicznych odbiorników, narażamy się na ryzyko wystąpienia znacznych błędów lub straty informacji. Wynika to z wady tych systemów, jaką jest możliwość stosunkowo łatwego zakłócania ich pracy. Sposobem na znaczne zredukowanie tego ryzyka jest zainstalowanie systemu określania pozycji Zeszyty Naukowe 13(85) − − − − zwiększenie niezawodności działania systemu, zmniejszenie błędów pomiarów, zapewnienie ciągłości pracy, zwiększenie częstotliwości uzyskiwania danych. Jednym z możliwych rozwiązań jest zastosowanie systemu działającego w oparciu o algorytm wielosensorowej fuzji danych z wykorzystaniem filtru Kalmana. Algorytm został zweryfikowany poprzez zaimplementowanie go w postaci aplikacji 5 Piotr Borkowski, Janusz Magaj, Marcin Mąka Ki(t) – macierz wzmocnienia filtru w chwili t, Pi(t \ t) – uaktualniona macierz kowariancji błędów filtracji, x̂ i (t \ t ) – uaktualniona estymata wektora stanu. działającej w czasie rzeczywistym. Przedstawiono wyniki eksperymentu polegającego na integracji równoległych pomiarów pozycji, pochodzących z dwóch różnych odbiorników GPS. Opis algorytmu Rozważaniu poddano dyskretny system stochastyczny z kilkoma sensorami (czujnikami): x(t + 1) = Φ ⋅ x(t ) + w (t ) y i (t ) = H i ⋅ x(t ) + v i (t ) i = 1,2,...l Macierze wag wyznacza się ze wzoru [3, 4, 5]: −1 l Ai (t ) = ∑ P jj−1 (t ) ⋅ Pii−1 (t ) j =1 (1) gdzie: Pij(t) – macierz krzyżowej kowariancji błędów filtracji pomiędzy i-tym, a j-tym podsystemem systemu określonego równaniem (1). gdzie: x(t)∈Rn – wektor stanu, y i (t ) ∈ R mi – wektor pomiarów i-tego sensora (1 ≤ mi ≤ n), Φ, Hi – stałe macierze o odpowiednich wymiarach, w(t), vi(t) – wektory zakłóceń o charakterystyce białych szumów gaussowskich z zerowymi wartościami oczekiwanymi oraz macierzami kowariancji odpowiednio Q i Ri. Macierze krzyżowej kowariancji błędów filtracji wyznacza się ze wzoru [4, 5, 6]: [ ⋅ I n − K j (t ) ⋅ H j Badania Algorytm fuzji danych nawigacyjnych został zweryfikowany poprzez zaimplementowanie go w postaci aplikacji działającej w czasie rzeczywistym (online). Eksperyment badawczy polegał na integracji (fuzji) równoległych pomiarów pozycji, pochodzących z dwóch różnych nieruchomych odbiorników GPS (przy czym do celów integracji pomiary jednego z odbiorników GPS były przesuwane o znany wektor translacji). Współrzędne geograficzne były przekształcane na współrzędne kartezjańskie [6]. W celu oszacowania (oceny) jakości estymacji współrzędnych pozycji zdefiniowano błędy estymacji: ex (t ) = x(t ) − ~ x (t ) (6) e (t ) = y (t ) − ~ y (t ) xˆ i (t \ t − 1) = Φ ⋅ xˆ i (t − 1 \ t − 1) E i (t ) = y i (t ) − H i ⋅ xˆ i (t \ t − 1) Pi (t \ t ) = Pi (t \ t − 1) − K i (t ) ⋅ H i ⋅ Pi (t \ t − 1) xˆ i (t \ t ) = xˆ i (t \ t − 1) + K i (t ) ⋅ E i (t ) ] Zdefiniowany za pomocą równań (2)–(5) algorytm jest optymalny, gdyż minimalizuje ślad macierzy wariancji błędu estymatora fuzji [4, 5]. Ai(t) – macierze wag, ~ x (t ) – wektor fuzji estymat stanu, x̂ i (t ) – estymaty wektora stanu. Estymaty wektora stanu x̂ i (t ) dla i-tego podsystemu (określonego danym sensorem) uzyskuje się przy zastosowaniu filtru Kalmana [2]: [ ] T (5) gdzie: In – macierz jednostkowa o wymiarach n×n. gdzie: K i (t ) = Pi (t \ t − 1) ⋅ H Ti ⋅ H i ⋅ Pi (t \ t − 1) ⋅ H Ti + R i [ Pij (t ) = [I n − K i (t ) ⋅ H i ]⋅ Φ ⋅ Pij (t − 1) ⋅ Φ T + Q ⋅ Fuzję zbioru danych l sensorów wyraża się średnią ważoną [1]: ~ x (t ) = A1 (t ) ⋅ xˆ 1 (t ) + A 2 (t ) ⋅ xˆ 2 (t ) + ... + A l (t ) ⋅ xˆ l (t ) (2) Pi (t \ t − 1) = Φ ⋅ Pi (t − 1 \ t − 1) ⋅ ΦT + Q (4) ] −1 (3) gdzie: xˆ i (t \ t − 1) – estymata wektora stanu wyznaczona bez znajomości pomiarów w chwili t, Ei(t) – wektor innowacji w chwili t, Pi(t \ t – 1) – macierz kowariancji błędów filtracji wyznaczona bez znajomości wzmocnienia filtru w chwili t, y oraz błędy pomiarowe: ( exi (t ) = x(t ) − xi (t ) ( e yi (t ) = y (t ) − yi (t ) 1 ≤ i ≤ lGPS (7) gdzie: lGPS – liczba odbiorników GPS. 6 Scientific Journals 13(85) y [m] x [m] Pozycjonowanie bazujące na wielosensorowym filtrze Kalmana ey, ey1, ey2 [m] ex, ex1, ex2 [m] Rys. 1. Współrzędne kartezjańskie (s = 300) Fig. 1. Cartesian coordinates (s = 300) Rys. 2. Błędy estymacji i błędy pomiarowe współrzędnych kartezjańskich (s = 300) Fig. 2. Estimation errors and measurement errors of Cartesian coordinates (s = 300) Zeszyty Naukowe 13(85) 7 Jy, Jy1, Jy2 [m2] Jx, Jx1, Jx2 [m2] Piotr Borkowski, Janusz Magaj, Marcin Mąka x [m] Jx + Jy, Jx1 + Jy1 [m2] Rys. 3. Wskaźniki jakości estymacji i wskaźniki jakości pomiarów współrzędnych kartezjańskich (s = 300) Fig. 3. Estimation quality indicators and Cartesian coordinates measurement quality indicators (s = 300) Rys. 4. Trajektoria ruchu oraz wskaźniki jakości estymacji i pomiarów trajektorii ruchu (s = 300) Fig. 4. Movement trajectory and the indicators of estimation quality and of track measurements (s = 300) 8 Scientific Journals 13(85) Jx + Jy, Jx1 + Jy1 [m2] Pozycjonowanie bazujące na wielosensorowym filtrze Kalmana Rys. 5. Wskaźniki jakości estymacji i pomiarów trajektorii ruchu (s = 7000) Fig. 5. The indicators of estimation quality and of track measurements (s = 7000) Podsumowanie Za wskaźniki jakości estymacji współrzędnych kartezjańskich wybrano kryteria kwadratowe (czym mniejsza wartość wskaźnika, tym lepsza jakość estymacji): Otrzymane wyniki badań potwierdzają skuteczność przedstawionego w artykule algorytmu integracji danych nawigacyjnych. Zaproponowana metoda integracji i filtracji danych umożliwia połączenie w pojedynczy sygnał informacji pozyskanych z kilku autonomicznych urządzeń pomiarowych oraz zmniejszenie błędu pomiaru pozycji sterowanego obiektu. Zapewnia także zwiększenie niezawodności działania systemu poprzez uzyskiwanie danych z wielu sensorów, co pozwala na eliminację błędnych danych wejściowych powstałych np. wskutek uszkodzenia układu pomiarowego. Przedstawione w niniejszym artykule analizy są punktem wyjścia do dalszych badań mających na celu m.in. określenie wpływu ilości sensorów na dokładność określania pozycji z wykorzystaniem zaproponowanego algorytmu oraz jego przydatności do wyznaczania pozycji obiektów poruszających się. s J x = ∫ e x2 (t )d t 0 s Jy = ∫ (8) e 2y (t )d t 0 gdzie: s– ilość cykli estymacji. Podobnie zdefiniowano wskaźniki jakości pomiarów współrzędnych kartezjańskich: s J xi = ∫ exi2 (t )d t 0 s J yi = ∫ e 2yi (t )d t 1 ≤ i ≤ lGPS (9) 0 Bibliografia Ocenę jakości estymacji trajektorii ruchu można dokonać, porównując wskaźniki: J = Jx + Jy J1 = J x1 + J y1 1. STATECZNY A.: AIS and Radar Data Fusion in Maritime Navigation. Materiały Międzynarodowej Konferencji Explo-Ship, Zeszyty Naukowe AM, 2004, 2(74), 329–336. 2. KACZOREK T.: Teoria sterowania i systemów. PWN, Warszawa 1996. 3. STATECZNY A., LISAJ A., MOHAMMAD C.: Fuzja danych nawigacyjnych w przestrzeni filtru Kalmana. Materiały Międzynarodowej Konferencji Explo-Ship, Zeszyty Naukowe AM, 2006, 11(83), 279–286. 4. SUN S.: Multi-sensor Optimal Information Fusion Kalman Filters with Application. Aerospace Science and Technology, 2004, 8, 1, 2004, 57–62. 5. SUN S., DENG Z.: Multi-sensor Optimal Information Fusion Kalman Filter. Automatica, 2004, 40, 1017–1023. 6. HLIBOWICKI R.: Geodezja wyższa i astronomia geodezyjna. PWN, Warszawa 1981. (10) Na rysunkach 1–5 przedstawiono przykładowe wyniki przeprowadzonych badań. Uzyskane wyniki badań jednoznacznie potwierdzają wysoką jakość estymacji mierzonych sygnałów. Warto podkreślić, że od pewnego cyklu (s = 3000) wartość wskaźnika jakości estymacji trajektorii stabilizuje się, w przeciwieństwie do wartości wskaźników jakości pomiarów (rys. 5). Można również wnioskować, że większa liczba odbiorników GPS będzie implikowała dokładniejszą estymację oraz szybszą stabilizację wartości wskaźnika jakości estymacji trajektorii. Zeszyty Naukowe 13(85) Recenzent: prof. dr hab. inż. Andrzej Stateczny Akademia Morska w Szczecinie 9