مقايسه عملكرد فيلتر ذره‌اي با فيلتر كالمن تعميم‌يافته و تعميم‌يافته هيبريدي در تلفيق اطلاعات INS/GPS

Comparison of Particle Filter Pperformance with Extended and Hybrid Extended Kalman Filter in INS/GPS Data Fusion

خطاي سيستم ناوبري اينرسي با گذشت زمان افزايش يافته و باعث ناپايداري سيستم ناوبري مي گردد، ازاين رو در اين مقاله به تلفيق اطلاعات سيستم ناوبري اينرسي و سيستم موقعيت يابي جهاني پرداخته شده است. از رايج ترين روش هاي تلفيق اطلاعات اين دو سيستم، استفاده از فيلتر كالمن است اما به دليل رفتار غيرخطي سيستم ناوبري تلفيقي از فيلترهاي غيرخطي براي تلفيق اطلاعات استفاده شده است. همچنين با توجه به آن كه سيستم موقعيت ياب جهاني قادر به اندازه گيري داده هاي سرعت و موقعيت جسم است از اين اندازه گيري ها براي تخمين حالت هاي سيستم (موقعيت، سرعت و وضعيت) استفاده شده است. در ادامه، به بررسي مشاهده پذيري فضاي حالت سيستم پرداخته شده است. با استفاده از داده هاي عملي مربوط به يك پهپاد، مقايسه نتايج شبيه سازي نشان مي دهد كه عملكرد فيلتر ذره اي در مقابل با سيستم هاي غيرخطي پيچيده با نويز غيرگوسي نسبت به دو تخمين گر ديگر بهتر است.

The error of the inertial navigation system (INS) increases with time and leads the navigation system to instability. Hence, this paper investigates INS/GPS integration. Kalman filter is the most common way for integrating these two systems, but due to the nonlinear behavior of the INS/GPS integrated navigation system; nonlinear filters are used for data integration. Furthermore, given that GPS is capable of measuring the velocity and position of the object, these measurements are used to estimate system states (position, velocity, and orientation). In the following, we have investigated the observability of the system’s state space. Using practical data from a UAV, simulation results shows that the performance of the particle filter is better than that of the other two estimators for complex nonlinear systems with non-Gaussian noise.