Geodesia. Cartografía. Sistemas de referencia. Tiempos.
Geodesia. Cartografía. Sistemas de referencia. Tiempos. Geodesia. Cartografía. Sistemas de referencia. Tiempos.
Sistema de navegación autónomo: Navegación inercial. Errores en navegación inercial. Modelos de Error Propagación del error del INS. Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Por tanto podremos escribir, como antes, δ ˙φ = Cφpδp + Cφv δv n + Cφφδφ − δωb b/i . Es una ecuación lineal en los errores, donde las matrices están definidas en función de la estimación del INS, y con un términos forzante: el error en los giróscopos δωb b/i . Si ponemos todos los errores juntos, llegamos a: d dt ⎡ ⎣ δp δv n δφ ⎤ ⎡ ⎦ = ⎣ Cpp Cpv 0 Cvp Cvv Cvφ Cφp Cφv Cφφ ⎤ ⎡ ⎦ ⎣ δp δv n δφ ⎡ ⎤ ⎡ ⎦+ ⎣ Caδab NG −δωb b/i ⎤ 0 n + δG ⎦ δp Además estarán las condiciones iniciales: ⎣ δv n ⎦ (t = 0). δφ Éste es el modelo de propagación del error del INS. Puesto que el término forzante es desconocido (y se modela mediante la estadística) es una ecuación diferencial estocástica. 33 / 49 Sistema de navegación autónomo: Navegación inercial. Errores en navegación inercial. Modelos de Error ⎤ Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Ecuación del error en el canal vertical I Si trabajamos sólo con el error en h y VD, y despreciamos todos los términos excepto el gravitatorio, llegamos a la siguiente ecuación: δ ˙ h = −δVD δ ˙VD −2 µe δh. (Re + ˆh) 3 Por otro lado podemos aproximar en el denominador Re + ˆ h Re. Teniendo en cuenta que la aceleración de la gravedad al nivel del mar g0 = µe R 2 e δ ˙h = −δVD δ ˙ VD − 2g0 δh. Re , tendríamos las ecuaciones: Escribiéndolo como una única ecuación para δh: δ ¨ h = 2g0 Re δh. 34 / 49 Sistema de navegación autónomo: Navegación inercial. Errores en navegación inercial. Modelos de Error Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Ecuación del error en el canal vertical II La solución de la ecuación diferencial es: q 2g0 Re t + C2e − q 2g0 δh = C1e Re t , donde las constantes son función de las condiciones iniciales de altura y velocidad vertical. Éstas ecuaciones son inestables! El primer término crece hasta el infinito. Físicamente, lo que sucede es lo siguiente: si hay un error de altitud, p.ej. el INS piensa que el avión está más alto de lo que realmente está, el modelo de gravedad predice que la gravedad es menor de lo que es, con lo que el INS predice que el avión se eleva, es decir, el error inicial se amplifica! Éste resultado se mantiene si no se desprecian los términos que no se han considerado. Por tanto el canal vertical del INS es inestable y no se puede usar por sí sólo; empleando otras medidas (p.ej. barométricas) es posible compensar el canal vertical y obtener una medida fiable de la altura. Sistema de navegación autónomo: Navegación inercial. Errores en navegación inercial. Modelos de Error Fuentes de Error Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Hemos visto que las ecuaciones de propagación del error son del tipo δ ˙x = A(ˆx)δx + δɛ, donde δx son las variables de navegación (posición, velocidad, actitud) y los δɛ las fuentes de error. Estas fuentes son: Errores en el modelo de gravedad δg n . Errores en los sensores inerciales δa b NG , δωb b/i . Aparte está el error en las condiciones iniciales δx(t0). Si discretizamos estas ecuaciones en el tiempo, podríamos escribir un modelo algo más sencillo: δx(tk+1) = A(tk)δx(tk) + δɛ(tk). ¿Cómo se modelan los errores? ¿Cómo se interpretan las ecuaciones que contienen errores? Para responder a estas preguntas es necesario recordar algunos conceptos estadísticos. 35 / 49 36 / 49
Sistema de navegación autónomo: Navegación inercial. Errores en navegación inercial. Modelos de Error Descripción estadística del error Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Consideremos por ejemplo el caso del error de medida de un acelerómetro: ab NG = âbNG + δab NG , donde δab NG son errores de medida. Una componente de δa b NG , por ejemplo δax, puede tener el siguiente aspecto: Es imposible conocer el valor con exactitud. Se observa que cambia con el tiempo. Por tanto, se representan sus propiedades usando la estadística. Sistema de navegación autónomo: Navegación inercial. Errores en navegación inercial. Modelos de Error Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Variables aleatorias continuas unidimensionales Sea una variable aleatoria X ∈ R continua. Recordemos que la función de distribución F (x) es la probabilidad de que X ≤ x, que se escribe como F (x) = P(X ≤ x). La función de distribución se calcula mediante la función de densidad f (x): F (x) = x −∞ f (y)dy. Se define el operador esperanza matemática actuando sobre la función g(x) como E[g(X )] = ∞ −∞ g(y)f (y)dy. Se trata de un operador lineal, de forma que E[α1g1(X ) + α2g2(X )] = α1E[g1(X )] + α2E[g2(X )]. Los dos casos importantes son: Media: m(X ) = E[X ] = ∞ yf (y)dy. −∞ Varianza: V (X ) = E[(X − m(X )) 2 ] = E[X 2 ] − (E[X ]) 2 . Desviación típica σ, la raíz cuadrada de la varianza, σ = V (X ). 37 / 49 38 / 49 Sistema de navegación autónomo: Navegación inercial. Errores en navegación inercial. Modelos de Error Distribución normal o gaussiana I f (x) = 1 σ √ 2π Exp − (x−m)2 2σ 2 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Es la distribución más usada en estadística. Se escribe X ∼ N(m, σ2 ) y su funciónde densidad es . Intervalos de confianza: si X ∼ N(m, σ 2 ): Intervalo 1-σ: P(X ∈ [m − σ, m + σ]) = 68,3 %. Intervalo 2-σ: P(X ∈ [m − 2σ, m + 2σ]) = 95,45 %. Intervalo 3-σ: P(X ∈ [m − 3σ, m + 3σ]) = 99,74 %. Sistema de navegación autónomo: Navegación inercial. Errores en navegación inercial. Modelos de Error Distribución normal o gaussiana II Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. El teorema central del límite dice que la suma de variables aleatorias (con cualquier tipo de distribución) tiende en media a la normal. Puesto que los errores a gran escala provienen de la suma y acumulación de muchos errores a pequeña escala, esto justifica el uso de la normal como modelo para errores. Una propiedad importante de la normal es que la suma de normales es de nuevo normal, es decir, si X ∼ N(mx, σ 2 x) e Y ∼ N(my , σ 2 y ) y son independientes, entonces si Z = X + Y se tiene que Z ∼ N(mx + my , σ 2 x + σ 2 y ). Por tanto σz = σ 2 x + σ 2 y , es decir, la desviación típica de la suma de errores es la raíz cuadrada de la suma de los cuadrados de las desviaciones típicas de los errores. Esta regla, conocida como Root-Sum-of-Squares (RSS) es muy importante. 39 / 49 40 / 49
- Page 1 and 2: Geodesia Geodesia Cartografía Sist
- Page 3 and 4: Modelos de Tierra Geodesia Cartogra
- Page 5 and 6: Geodesia Cartografía Sistemas de r
- Page 7 and 8: Cartografía Geodesia Cartografía
- Page 9 and 10: Geodesia Cartografía Sistemas de r
- Page 11 and 12: Geodesia Cartografía Sistemas de r
- Page 13 and 14: Geodesia Cartografía Sistemas de r
- Page 15 and 16: Geodesia Cartografía Sistemas de r
- Page 17 and 18: Fig. 2.3 Single rotation in three-a
- Page 19 and 20: Introducción histórica Navegació
- Page 21 and 22: Introducción histórica Navegació
- Page 23 and 24: Introducción histórica Navegació
- Page 25 and 26: Ecuaciones Diferenciales Cinemátic
- Page 27 and 28: Ecuaciones Diferenciales Cinemátic
- Page 29 and 30: Ecuaciones Diferenciales Cinemátic
- Page 31 and 32: Ecuaciones Diferenciales Cinemátic
- Page 33 and 34: Sistema de navegación autónomo: N
- Page 35 and 36: Sistema de navegación autónomo: N
- Page 37 and 38: Sistema de navegación autónomo: N
- Page 39: Sistema de navegación autónomo: N
- Page 43 and 44: Sistema de navegación autónomo: N
- Page 45 and 46: Navegación por posicionamiento GNS
- Page 47 and 48: RNAV/RNP Navegación por posicionam
- Page 49 and 50: Navegación por posicionamiento GNS
- Page 51 and 52: Navegación por posicionamiento GNS
- Page 53 and 54: Efecto Doppler Navegación por posi
- Page 55 and 56: Disponibilidad IV Navegación por p
- Page 57 and 58: Sistemas de navegación integrados
- Page 59 and 60: Sistemas de navegación integrados
- Page 61 and 62: Sistemas de navegación integrados
- Page 63: Sistemas de navegación integrados
Sistema <strong>de</strong> navegación autónomo: Navegación inercial.<br />
Errores en navegación inercial.<br />
Mo<strong>de</strong>los <strong>de</strong> Error<br />
Descripción estadística <strong>de</strong>l error<br />
Breve recordatorio <strong>de</strong> estadística<br />
Procesos estocásticos. Ruido blanco. Propagación.<br />
Medidas <strong>de</strong>l error.<br />
Consi<strong>de</strong>remos por ejemplo el caso <strong>de</strong>l error <strong>de</strong> medida <strong>de</strong> un<br />
acelerómetro: ab NG = âbNG + δab NG , don<strong>de</strong> δab NG son errores <strong>de</strong><br />
medida.<br />
Una componente <strong>de</strong> δa b NG , por ejemplo δax, pue<strong>de</strong> tener el<br />
siguiente aspecto:<br />
Es imposible conocer el valor con exactitud.<br />
Se observa que cambia con el tiempo.<br />
Por tanto, se representan sus propieda<strong>de</strong>s usando la<br />
estadística.<br />
Sistema <strong>de</strong> navegación autónomo: Navegación inercial.<br />
Errores en navegación inercial.<br />
Mo<strong>de</strong>los <strong>de</strong> Error<br />
Breve recordatorio <strong>de</strong> estadística<br />
Procesos estocásticos. Ruido blanco. Propagación.<br />
Medidas <strong>de</strong>l error.<br />
Variables aleatorias continuas unidimensionales<br />
Sea una variable aleatoria X ∈ R continua.<br />
Recor<strong>de</strong>mos que la función <strong>de</strong> distribución F (x) es la<br />
probabilidad <strong>de</strong> que X ≤ x, que se escribe como<br />
F (x) = P(X ≤ x).<br />
La función <strong>de</strong> distribución se calcula mediante la función <strong>de</strong><br />
<strong>de</strong>nsidad f (x): F (x) = x<br />
−∞ f (y)dy.<br />
Se <strong>de</strong>fine el operador esperanza matemática actuando sobre la<br />
función g(x) como E[g(X )] = ∞<br />
−∞ g(y)f (y)dy. Se trata <strong>de</strong><br />
un operador lineal, <strong>de</strong> forma que<br />
E[α1g1(X ) + α2g2(X )] = α1E[g1(X )] + α2E[g2(X )]. Los dos<br />
casos importantes son:<br />
Media: m(X ) = E[X ] = ∞<br />
yf (y)dy.<br />
−∞<br />
Varianza: V (X ) = E[(X − m(X )) 2 ] = E[X 2 ] − (E[X ]) 2 .<br />
Desviación típica σ, la raíz cuadrada <strong>de</strong> la varianza,<br />
σ = V (X ).<br />
37 / 49<br />
38 / 49<br />
Sistema <strong>de</strong> navegación autónomo: Navegación inercial.<br />
Errores en navegación inercial.<br />
Mo<strong>de</strong>los <strong>de</strong> Error<br />
Distribución normal o gaussiana I<br />
f (x) = 1<br />
σ √ 2π Exp<br />
− (x−m)2<br />
2σ 2<br />
Breve recordatorio <strong>de</strong> estadística<br />
Procesos estocásticos. Ruido blanco. Propagación.<br />
Medidas <strong>de</strong>l error.<br />
Es la distribución más usada en estadística. Se escribe<br />
X ∼ N(m, σ2 ) y su función<strong>de</strong> <strong>de</strong>nsidad es<br />
.<br />
Intervalos <strong>de</strong> confianza: si X ∼ N(m, σ 2 ):<br />
Intervalo 1-σ: P(X ∈ [m − σ, m + σ]) = 68,3 %.<br />
Intervalo 2-σ: P(X ∈ [m − 2σ, m + 2σ]) = 95,45 %.<br />
Intervalo 3-σ: P(X ∈ [m − 3σ, m + 3σ]) = 99,74 %.<br />
Sistema <strong>de</strong> navegación autónomo: Navegación inercial.<br />
Errores en navegación inercial.<br />
Mo<strong>de</strong>los <strong>de</strong> Error<br />
Distribución normal o gaussiana II<br />
Breve recordatorio <strong>de</strong> estadística<br />
Procesos estocásticos. Ruido blanco. Propagación.<br />
Medidas <strong>de</strong>l error.<br />
El teorema central <strong>de</strong>l límite dice que la suma <strong>de</strong> variables<br />
aleatorias (con cualquier tipo <strong>de</strong> distribución) tien<strong>de</strong> en media<br />
a la normal. Puesto que los errores a gran escala provienen <strong>de</strong><br />
la suma y acumulación <strong>de</strong> muchos errores a pequeña escala,<br />
esto justifica el uso <strong>de</strong> la normal como mo<strong>de</strong>lo para errores.<br />
Una propiedad importante <strong>de</strong> la normal es que la suma <strong>de</strong><br />
normales es <strong>de</strong> nuevo normal, es <strong>de</strong>cir, si X ∼ N(mx, σ 2 x) e<br />
Y ∼ N(my , σ 2 y ) y son in<strong>de</strong>pendientes, entonces si Z = X + Y<br />
se tiene que Z ∼ N(mx + my , σ 2 x + σ 2 y ).<br />
Por tanto σz =<br />
<br />
σ 2 x + σ 2 y , es <strong>de</strong>cir, la <strong>de</strong>sviación típica <strong>de</strong> la<br />
suma <strong>de</strong> errores es la raíz cuadrada <strong>de</strong> la suma <strong>de</strong> los<br />
cuadrados <strong>de</strong> las <strong>de</strong>sviaciones típicas <strong>de</strong> los errores.<br />
Esta regla, conocida como Root-Sum-of-Squares (RSS) es<br />
muy importante.<br />
39 / 49<br />
40 / 49