Dynamic stochastic modeling for inertial sensors
Es ampliamente conocido que los modelos de error para sensores inerciales tienen dos componentes: El primero es un componente determinista que normalmente es calibrado por el fabricante en el firmware de la IMU. El segundo es un componente aleatorio que es caracterizado a través de un modelo estocás...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2016 |
| País: | España |
| Institución: | Universitat Politècnica de Catalunya (UPC) |
| Repositorio: | UPCommons. Portal del coneixement obert de la UPC |
| Idioma: | inglés |
| OAI Identifier: | oai:upcommons.upc.edu:2117/107066 |
| Acceso en línea: | https://hdl.handle.net/2117/107066 https://dx.doi.org/10.5821/dissertation-2117-107066 |
| Access Level: | acceso abierto |
| Palabra clave: | Àrees temàtiques de la UPC::Aeronàutica i espai |
| Sumario: | Es ampliamente conocido que los modelos de error para sensores inerciales tienen dos componentes: El primero es un componente determinista que normalmente es calibrado por el fabricante en el firmware de la IMU. El segundo es un componente aleatorio que es caracterizado a través de un modelo estocástico que tiene su impacto en la solución de navegación calculada con las observaciones no procesadas obtenidas con dichos sensores. La caracterización de este comportamiento estocástico se apoya en el análisis de observaciones adquiridas en condiciones estáticas. El sensor inercial es aislado de cualquier perturbación externa y se llevan a cabo adquisiciones estáticas de larga duración. Estas observaciones se evalúan a través de herramientas de análisis como la varianza de Allan. Esta herramienta permite caracterizar el modelo estocástico que mejor se ajusta a las observaciones, permitiendo obtener parámetros como el ruido de observación o el bias del sensor, los factores de escala, etcétera. Existen referencias que indican que la caracterización de sensores en condiciones estáticas podría ser imprecisa cuando el sensor está funcionando en entornos no estáticos. Esta es la principal motivación de esta tesis doctoral. De cara a entender la variación del error del sensor con la dinámica aplicada, una serie de campañas experimentales (en laboratorio y en vehículos) fueron llevadas a cabo. Estos experimentos consistieron en un conjunto de IMUs de prueba acopladas a una plataforma rígida a la que a su vez se integraba una IMU de grado de navegación que se utilizaba como referencia. Primero, se debe resolver el alineamiento entre las IMUs de prueba y la IMU de referencia. Un método para calcular dicho alineamiento es presentado en esta tesis. Una vez que la IMU de referencia está correctamente alienada con las observaciones de la IMU en pruebas, y asumiendo que las observaciones de la IMU de referencia son ideales (no tienen errores), las observaciones de ambas IMUS son comparadas. Las diferencias entre ambos conjuntos de observaciones se pueden considerar que son los errores de la IMU en pruebas. El análisis de la varianza de Allan es entonces aplicada a estas diferencias. Se muestra que debido a las limitaciones de esta técnica de análisis y a la longitud del conjunto de datos, la única medida fiable que se puede obtener con la varianza de Allan es el ruido de observación (que normalmente sigue un modelo estocástico de ruido blanco). Por esta razón, esta tesis propone una aproximación diferente al problema. Se demuestra que existe una conexión entre el error del sensor y la dinámica aplicada a dicho sensor. Esta dinámica está caracterizada por las medidas directas del sensor y las derivadas enésimas de de dichas medidas. Por tanto, gracias a esta nueva aproximación, un nuevo modelo de error inercial es mostrado. Este nuevo modelo está compuesto por un sesgo, un factor de escala que afecta a la magnitud medida por el sensor y una serie de coeficientes que multiplican a las enésimas derivadas de las medidas del sensor. Esta tesis establece dos maneras que este modelo se puede usar para determinar estos coeficientes. Si existe un sensor de referencia, el modelo se puede implementar en un ajuste de mínimos cuadrados para estimar dichos coeficientes. El resultado de este ajuste es un conjunto de observaciones “mejoradas” del sensor inercial que pueden procesarse en un navegador INS/GNSS convencional. En caso de no existir el sensor de referencia, la otra opción para determinar los coeficientes es a través de un filtro de Kalman extendido que incorpora dichos coeficientes. En esta tesis, dichos coeficientes fueron implementados y testeados en un navegador INS/GNSS con arquitectura “loosely coupled”. Por lo que conoce el autor de esta tesis, la utilización de las derivadas de las observaciones nunca se han investigado y se demuestra que ayudan a mejorar la precisión de la trayectoria suministrada por el navegador INS/GNSS. |
|---|