هدایت مسیر ربات زیرآبی کابلی با بهره گیری از سیستم ناوبری تلفیقی بر پایه فیلتر کالمن زمان پیوسته

نوع مقاله: مقاله پژوهشی

نویسندگان

1 مربی، دانشکده مهندسی برق ، گروه کنترل ، دانشگاه علوم دریایی امام خمینی (ره)

2 مربی، دانشکده مهندسی برق ،گروه الکترونیک ، دانشگاه علوم دریایی امام خمینی (ره)

چکیده

ربات زیرآبی کابلی برای موقعیت‌یابی، ردیابی مسیر، کنترل و هدایت، نیازمند یک سامانه ناوبری دقیق است. به علت محدودیت کاری سامانه موقعیت‌یاب جهانی در زیرآب، سامانه ناوبری اینرسی مهم‌ترین سامانه تعیین موقعیت در تجهیزات زیرآبی است. در این تحقیق، بر اساس دینامیک غیرخطی ربات زیرآبی و به‌منظور بهبود عملکرد ربات زیرآبی در ردیابی مسیر، یک سامانه ناوبری تلفیقی بر پایه حسگرهای اینرسی، قطب‌نما و سرعت‌سنج داپلری ارائه‌شده است. به‌منظور ترکیب داده‌های حسگرهای سیستم و تخمین موقعیت و وضعیت ربات، از فیلتر کالمن توسعه‌یافته زمان پیوسته استفاده‌شده است. نتایج شبیه‌سازی در مقایسه با سامانه های ناوبری بر پایه فیلتر کالمن خطی و فیلتر کالمن توسعه یافته زمان گسسته، نشان می‌دهد که سیستم ناوبری تلفیقی پیشنهادی بر پایه فیلتر کالمن توسعه‌یافته زمان پیوسته، موقعیت و وضعیت ربات را در حلقه کنترل با دقت بالایی تخمین زده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

path following of ROV with use of integrated navigation system based on continuous-time Kalman filter

نویسندگان [English]

  • seyed Mostafa hosseini 1
  • Hasan Mohammadi 2
چکیده [English]

A Remotely operated vehicle (ROV) requires a precise navigation system for positioning, path tracking, guidance, and control. Due to the limitation of the global positioning system in the underwater environment, the inertial navigation system is the most important positioning system in an underwater vehicle. In this paper, based on the nonlinear dynamics of the underwater robot to improve the performance of the underwater robot in path tracking, we propose an integrated navigation system based on inertial sensors, compass, and Doppler velocity log. A continuous-time extended Kalman filter was used to combine the sensor data and estimate the robot's position. The simulation results compared to the navigation systems based on linear Kalman filter and discrete-time extended Kalman filter show that the proposed integrated navigation system based on continuous-time extended Kalman filter can estimate the attitude and position of the robot in the control loop with high accuracy

کلیدواژه‌ها [English]

  • ROV
  • Integrated Navigation System
  • EKF
  • Data Fusion
[1] M. Dinc And C. Hajiyev, “Integration of Navigation Systems for Autonomous Underwater Vehicles,” J. Mar. Eng. Technol., Vol. 14, No. 1, Pp. 32–43, 2015.

[2]

 K. R. Britting, Inertial Navigation Systems Analysis. 1971.

[3] V. Sokolović, G. Dikic, G. Markovic, R. Stancic, And N. Lukic, “INS/GPS Navigation System Based On Mems Technologies,” Strojniški Vestnik-Journal Mech. Eng., Vol. 61, No. 7–8, Pp. 448–458, 2015.

[4] M. Zhang, K. Li, B. Hu, and C. Meng, “Comparison of Kalman Filters for Inertial Integrated Navigation,” Sensors, vol. 19, no. 6, p. 1426, 2019.

[5] S. Topczewski, M. Żugaj, J. Narkiewicz, And A. Pawełek, “Integrated Attitude and Navigation System for Small Airplane,” J. Kones, Vol. 24, No. 1, Pp. 339–348, 2017.

[6] A. Tal, I. Klein, And R. Katz, “Inertial Navigation System/Doppler Velocity Log (INS/DVL) Fusion With Partial Dvl Measurements,” Sensors, Vol. 17, No. 2, P. 415, 2017.

[7] C. Zhang, C. Guo, And D. Zhang, “Data Fusion Based on Adaptive Interacting Multiple Model for GPS/INS Integrated Navigation System,” Appl. Sci., Vol. 8, No. 9, P. 1682, 2018.

[8] T. I. Fossen, Marine Control System-Guidance, Navigation and Control of Ships, Rigs And Underwater Vehicles. 2002.

[9] M. Hosseini and S. Seyedtabaii, “Improvement In ROV Horizontal Plane Cruising Using Adaptive Method,” in 2016 24th Iranian Conference on Electrical Engineering (ICEE), 2016, pp. 1892–1896.

[10] M. Hosseini and S. Seyedtabaii, “Robust ROV Path Following Considering Disturbance and Measurement Error Using Data Fusion,” Appl. Ocean Res., vol. 54, pp. 67–72, 2016.

[11] L. G. García-Valdovinos, T. Salgado-Jiménez, M. Bandala-Sánchez, L. Nava-Balanzar, R. Hernández-Alvarado, and J. A. Cruz-Ledesma, “Modelling, Design And Robust Control Of A Remotely Operated Underwater Vehicle,” Int. J. Adv. Robot. Syst., vol. 11, no. 1, p. 1, 2014.

[12] W. S. Widnall and P. A. Grundy, Inertial Navigation System Error Models. Intermetrics Incorporated, 1973.

[13] M. A. Skoglund, F. Gustafsson, and K. Jönsson, “Modeling And Sensor Fusion Of A Remotely Operated Underwater Vehicle,” in 2012 15th International Conference on Information Fusion, 2012, pp. 947–954.

[14] G. Mohinder and A. Andrews, “„Kalman filtering, Theory and Practice using Matlab”, JohnWiley & Sons.” Inc, 2008.

[15] L. Ascorti, “An Application Of The Extended Kalman Filter To The Attitude Control Of A Quadrotor,” 2013.

[16] N. Q. Hoang and E. Kreuzer, “A Robust Adaptive Sliding Mode Controller For Remotely Operated Vehicles,” Tech. Mech. Sci. J. Fundam. Appl. Eng. Mech., vol. 28, no. 3–4, pp. 185–193, 2008.

[17] J. Javadi-Moghaddam and A. Bagheri, “An Adaptive Neuro-Fuzzy Sliding Mode Based Genetic Algorithm Control System For Under Water Remotely Operated Vehicle,” Expert Syst. Appl., vol. 37, no. 1, pp. 647–660, 2010.

[18] L. Zhao, J. Li, J. Cheng, and Y. Hao, “Damping Strapdown Inertial Navigation System Based On A Kalman Filter,” Meas. Sci. Technol., vol. 27, no. 11, p. 115102, 2016.