نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند

2 دانشجوی دکتری دانشکده فنی و مهندسی، دانشگاه بیرجند

3 استادیار دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند

4 استادیار گروه مهندسی برق-قدرت دانشگاه بیرجند

چکیده

چکیده: خطای سیستم‌های ناوبری اینرسی (INS) که امروزه سیستم ناوبری پایه در بسیاری از کاربردها از جمله کاربردهای نظامی است، با زمان افزایش می یابد. بنابراین برای دستیابی به دقت و قابلیت اطمینان بالاتر مخصوصا در ناوبری‌های طولانی مدت از جمله در کاربردهای دریایی باید از یک سیستم کمکی در کنار سیستم ناوبری اینرسی استفاده شود. در این مورد، سیستم موقعیت یاب جهانی (GPS) به دلیل ویژگی‌های مکمل، بهترین سیستم کمک ناوبری می باشد. در یک سیستم ناوبری تلفیقی متشکل از یک سیستم ناوبری پایه در کنار یک سیستم کمک ناوبری، فیلتر کالمن توسعه یافته (EKF) ابزاری بسیار رایج در تلفیق داده های GPS و INS می باشد. با این حال ماتریس های کوواریانس نویز اندازه‌گیری و نویز فرایند دو پارامتر مهم در فیلتر کالمن هستند که تنظیم صحیح آنها در طی فرایند تخمین حالت‌های ناوبری، در کاهش خطای تخمین بسیار حائز اهمیت است. علاوه بر این از آنجا که معادلات حاکم بر سیستم اینرسی ذاتا غیر‌خطی هستند لذا فرایند خطی‌سازی در فیلتر کالمن باعث افزودن خطای ناشی از تقریب خطی‌سازی نیز می شود. از این‌رو محققین به دنبال الگوریتم‌های تلفیق جایگزین فیلتر کالمن هستند و تا کنون تحقیقات زیادی نیز در این زمینه انجام شده است. در این مقاله از یک تخمین‌گر مبتنی بر الگوریتم بهینه سازی گروه ذرات (PSO) به عنوان جایگزینی برای تخمین‌گر مبتنی بر فیلتر کالمن استفاده شده است. در این روش در واقع به محض دریافت مشاهدات GPS، خطای تخمین سیستم ناوبری بر اساس الگوریتم PSO، کمینه می شود تا بهترین خروجی برای سیستم تخمین زده شود. نتایج شبیه‌سازی‌ها و اعمال آن‌ها به چندین پایگاه داده‌ عملی نشان می‌دهد که روش پیشنهادی، دقت تخمین حالت‌های ناوبری توسط سیستم ناوبری تلفیقی را در مقایسه با روش های معمول تلفیق از قبیل فیلتر کالمن توسعه‌یافته به میزان قابل توجهی بهبود داده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Design an Optimized Nonlinear Integration Filter based on Particle Swarm Optimization algorithm for INS/GPS navigation system

نویسندگان [English]

  • S. H Zahiri 1
  • M Nasiri 2
  • R Havangi 3
  • hossin eliasi 4

1 Electrical engineering, Faculty of electrical and computer engineering, Birjand university, Birjand, Iran

2 Electrical engineering department, Faculty of engineering, Birjand University

3 ٍElectrical department, Faculty of electrical and computer engineering, University of Birjand, Birjand, Iran

4 ٍElectrical department, Faculty of electrical and computer engineering, University of Birjand, Birjand, Iran

چکیده [English]

Abstract: The Inertia Navigation Systems (INS) error, which today's basic navigation system for many uses, including military applications increases in time. Therefore, in order to achieve greater accuracy and reliability, especially in long-time navigation, such as in marine applications, an assistance system alongside the inertial navigation system should be used. In this case, the Global Positioning System (GPS) is the best navigational assistance system due to its complementary features. In an integrated navigation system consisting of a basic navigation system, along with a navigation assistance system, the Extended Kalman Filter (EKF) is a very common tool for integrating GPS and INS data. However, measurement and process noise covariance matrices are two important parameters in the Kalman filter, whose correct adjustment during navigation estimation process is very important in reducing the estimation error. In addition, since the governing equations of the inertial system are inherently nonlinear, the process of linearization in the Kalman filter adds an error due to linear approximation. Hence, researchers are looking for alternative algorithms for the Kalman filter, and so far a lot of research has been done. In this paper, an estimator based on particle optimization algorithm (PSO) is used as a substitute for Kalman filter based estimator. In this way, as soon as GPS observations are received, the estimation error of the navigation system based on the PSO algorithm is minimized to estimate the best output for the system. The simulation results and their application to several practical databases show that the proposed method significantly improved the accuracy of the estimation of navigational states by the integrated navigation system compared with conventional integration methods, such as the extended Kalman filter.

کلیدواژه‌ها [English]

  • Keywords: Inertial navigation system
  • Global Positioning System
  • Integrated navigation
  • Extended Kalman Filter
  • Particle Swarm Optimization

[1] Chang, L., Zha, F., and Qin, F., “Indirect Kalman Filtering Based Attitude Estimation for Low-Cost Attitude and Heading Reference Systems”, IEEE/ASME Transactions on Mechatronics, Vol.22, No.4, pp.850-1858, 2017.

[2] Gao, P., Li, K., Song, T., and Liu, Z., “An Accelerometers SizeEffect Self Calibration Method for Triaxis Rotational Inertial Navigation System”, IEEE Transactions on Industrial Electronics, Vol. 65, No. 2, pp.1655-1664, 2018.

[3] Sun, Y., Yang, G., Cai, Q., and Wang, S., “An On-line Calibration Method of SINS/Odometer Integrated Navigation System”, 4th International Conference on Information Science and Control Engineering (ICISCE), 2017.

[4] Kim, Y., An, J., and Lee ,J., “Robust Navigational System for a Transporter Using GPS/INS Fusion”, IEEE Transactions on Industrial Electronics, Vol.65, No.4, pp.3346-3354, 2018.

[5] Salamat, B., and Tonello, A.M., “Altitude and Attitude Tracking of a Quadrotor Helicopter UAV using a Novel Evolutionary Feedback Controller”, International Conference on Smart Systems and Technologies (SST), 2017.

[6] Zhong M., Guo J., and Zhou D., “Adaptive in-Flight Alignment of INS/GPS Systems for Aerial Mapping”, IEEE Transactions on Aerospace and Electronic Systems, Vol.99, pp.1-12, 2017.

[7] Zhang, Y.L., Gao, F., and Tian, L., “INS/GPS Integrated Navigation for Wheeled Agricultural Robot Based on Sigma-Point Kalman Filter”, ‖7th International Conference on System Simulation and Scientific Computing, pp.1425–1431, 2008.

[8] Sadhu, S., Srinivasan, M., Bhaumik, S. and Ghoshal, T.K., “Central Difference Formulation of Risk-Sensitive Filter”, IEEE Signal Processing Letters, Vol.14, No.6, pp.421–424, 2007.

[9] Rezaie  J., Moshiri B., Araabi B.N. and Asadian A., “GPS/INS Integration using Nonlinear Blending Filters”, Annual Conference, Kagawa University, Japan, pp. 1674–1680, September 2007.

[9] Setoodeh, P., Khayatian, A.R. and Farjah, E., “Attitude Estimation by Divided Difference Filter-based Sensor Fusion”, The Journal of Navigation, Vol.60, pp.119–128, 2007.

[10] Kim, J.S., Yoon S.K. and Shin D.R., “A State-Space Approach to Multiuser Parameter Estimation using Central Difference Filter for CDMA Systems”, Wireless Personal Communication Journal, Vol.40, pp.457–478, 2007.

[11] Yi, Q., Ming, L.Z., and Chao, L.E., “Fault Detection and Diagnosis for non-Gaussian Stochastic Distribution Systems with Time Delays via RBF Neural Networks”, ISA Transactions, Vol.51, No.6, pp.786-791, 2012.

[12] Noureldin, A., El-Shafie, A. and Bayoumi, M., “GPS/INS Integration Utilizing Dynamic Neural Networks for Vehicular Navigation”, Information Fusion Journal, Vol.12, pp.48-57, 2011.

[13] Teslic, L., Skrjanc, I., and Klancar, G., “Using a LRF Sensor in the Kalman-fitering-based Localization of a Mobile Robot”, ISA Transactions, Vol. 49, No.1, pp.145-153, 2010.

[14] Herrera, E.P., Improving Data Fusion in User Positioning Systems, Ph.D. Thesis, University of Jaume I, Castellon, 2009.

[15] Titterton, D. and Weston, J., Strapdown Inertial Navigation Technology, MIT Lincoln Laboratory, American Institute of Aeronautics and Astronautics and the Institution of Electrical Engineers 2nd Edition, 2005.

[16] Montorsi, F., Pancaldi, F. and Vitetta, G. M., “Design and Implementation of an Inertial Navigation System for Pedestrians Based on a Low-Cost MEMS IMU”, IEEE International Conference on Communications Workshops, pp.57-61, 2013.

[17] Abdel-Hafez, M.F., “On the Development of an Inertial Navigation Error-Budget System”, Journal of the Franklin Institute, Vol.348, No.1, pp.24-44, 2011.

[18] موسوی، سید محمد رضا ، زندی، محمد جواد ، طباطبایی، امیر و آقابابایی، مجید ، "بهبود دقت ناوبری به کمک سامانه موقعیت‌یاب ترکیبی GPS/GLONASS مبتنی بر فیلتر کالمن در شرایط انسداد ماهواره ها"، مجله علمی‌‌ پژوهشی دریا فنون، جلد 2، شماره 2، صفحه 17-27، 1394.

[19] Rashedi, E., Nezamabadipour, H., and Sayazdi, S., “GSA: A Gravitational Search Algorithm” Information Sciences Journal, Vol.179, pp.2232-2248, 2009.

[20] Loebis, D., Sutton, R., Chudley, J. and Naeem, W., “Adaptive Tuning of a Kalman Filter via Fuzzy Logic for an Intelligent AUV Navigation System”, Control Engineering Practice, Vol.12, pp.1531–1539, 2004.

[21] Jaradat, M.A. and Abdel-Hafez, M.F., “Enhanced, Delay Dependent, Intelligent Fusion for INS/GPS navigation System”, IEEE Sensors Journal, Vol.14, No.5, pp.1545-1554, 2014.

[22] Saadeddin, K. and Abdel-Hafez, M. F., Jaradat, M. A., and Jarrah, M. A., “Optimization of Intelligent-based Approach for Low-Cost INS/GPS Navigation System”, International Conference on Unmanned Aircraft Systems (ICUAS), pp.668-677, 2013.

[23] Malleswaran, M., Vaidehi, V. and Sivasankari, N., “A Novel Approach to the Integration of GPS and INS using Recurrent Neural Networks with Evolutionary Optimization Techniques”, International Journal of Aerospace Science and Technology, Vol.32, pp.169-179, 2014.

[24] Tian, M., Bo, Y., Chen, Z., Wu, P., Zhao, G., “Improved Adaptive Particle Filter for Integrated Navigation System”, CMES, Vol.108, No.5, pp.285-301, 2015.

[25] Willner, D., Chang, C. B., and Dunn, K. P., “Kalman Filter Configurations for Multiple Radar Systems”, Technical Note, prepared for the Balstic Missile Defense Program Office, Department of the Army, by Lincoln Laboratory, Massachusett Institue of Technology, 1976.