Geodesia. Cartografía. Sistemas de referencia. Tiempos.
Geodesia. Cartografía. Sistemas de referencia. Tiempos. Geodesia. Cartografía. Sistemas de referencia. Tiempos.
Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Estimador baro-inercial de la altitud II Por tanto: δ ˙h = −δVD − C1(δh − δhB), δ ˙VD ≈ − 2g0 δh + C2(δh − δhB) + C3 Re Fusión de sensores. Ejemplo: el canal vertical. INS-GPS t 0 (δh − δhB)dτ, y tomando derivada en la primera ecuación y sustituyendo la segunda, obtenemos: δ¨ h = 2g0 δh − C2(δh − δhB) − C3 Re t 0 (δh − δhB)dτ − C1δ ˙ h. Tomando otra derivada y reescribiendo la ecuación: δ ... h + C1δ¨h + (C2 − 2g0 )δ ˙h + C3δh = C3δhB. Re Los autovalores de esta ecuación vienen dados por las raíces )s + C3. del polinomio s 3 + C1s 2 + (C2 − 2g0 Re Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Estimador baro-inercial de la altitud III Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Típicamente se eligen lo valores de C1, C2 y C3 para que los autovalores tengan parte real negativa (es decir, la ecuación de δh sea estable). Una elección clásica es fijar un autovalor al valor −λ y los otros dos a los valores −λ + jλ y −λ − jλ. El polinomio característico sería entonces: (s + λ)(s + λ − jλ)(s + λ + jλ) = (s + λ)(s 2 + 2λs + 2λ 2 ) = s 3 + 3λs 2 + 4λ 2 s + 2λ 3 Sustituyendo en el polinomio en función de los coeficientes estos valores, se llega a: C1 = 3λ, C2 = 4λ 2 + 2g Re , C3 = 2λ 3 . Un valor típico elegido de λ es λ = 0,01. 5 / 26 6 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. El caso INS-GPS Fusión de sensores. Ejemplo: el canal vertical. INS-GPS El sistema de navegación INS y el GPS son particularmente complementarios. El INS: Da una estimación continua en el tiempo. Su error crece con el tiempo. Posee un elevado ancho de banda (KHz). El GPS: Proporciona una medida de alta precisión pero discreta en el tiempo. El error está acotado. Posee un bajo ancho de banda (Hz). Una primera solución sería resetear el INS cada vez que se obtenga una medida GPS. Pero la medida GPS tampoco es exacta. Por tanto hay que intentar, de algún modo, combinar el INS y el GPS para minimizar el error final. Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Tight Integration y Loose Integration Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Existen dos formas de llevar a cabo la integración: Loose Integration: Éste tipo de integración permite tomar dos sistemas separados, un INS y un GPS, y a partir de las salidas de ambos, obtener una estimación común. Es la forma más simple de integrar GPS e INS. No requiere modificar las estimaciones internas de ambos sistemas. Tight Integration: Éste tipo de integración emplea las señales de entrada al INS y GPS, es decir, las medidas de giróscopos y acelerómetros y los observables GPS, y los integra directamente. Es más complejo de desarrollar. No se emplean los algoritmos que hemos visto de GPS e INS, sino un único algoritmo que integra los dos sistemas a la vez. Se obtienen estimaciones más precisas que en la tipo loose. En ambos casos, la herramienta clave para desarrollar la integración es el Filtro de Kalman y sus extensiones (Filtro Extendido de Kalman). 7 / 26 8 / 26
Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. El filtro de Kalman Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman El filtro de Kalman (KF) fue desarrollado por Rudolph E. Kalman, un ingeniero húngaro nacionalizado estadounidense. Presentó su filtro a la NASA en 1960; la NASA buscaba un algoritmo de fusión de sensores para el programa espacial Apollo. Finalmente una versión del KF fue utilizada en las misiones Apollo para integrar las diferentes medidas de los sensores del vehículo espacial. A día de hoy, el KF se emplea no sólo en navegación sino en multitud de sistemas en los que se desea reconstruir una señal que evoluciona en el tiempo, a partir de medidas con ruido, por ejemplo en teléfonos móviles. Realmente el KF sólo sirve para sistemas lineales. Puesto que muchos sistemas reales son no lineales, se han desarrollado extensiones no lineales, conocidas como Filtro Extendido de Kalman (EKF); en Navegación se emplean éste tipo de filtros. Nos limitaremos a entender el KF lineal y sus fundamentos. 9 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Procesos dinámicos discretos con medidas PROCESO: Consideremos el siguiente modelo discreto de un proceso: x(tk+1) = Akx(tk) + Bkɛ(tk), donde x es un proceso gaussiano con dimensión nx, Ak es una matriz (que puede cambiar en cada instante de tiempo tk) de dimensión nx × nx, ɛ(tk) es ruido blanco gaussiano de dimensión nɛ y varianza Qk (el ruido del proceso), y Bk es una matriz (que puede cambiar en cada instante de tiempo tk) de dimensión nx × nɛ. MEDIDA: En cada instante también consideramos que se realiza una medida, representada por z, y definida de la siguiente forma: z(tk+1) = Hk+1x(tk+1) + ν(tk+1), donde z es la medida, de dimensión nz, Hk es una matriz (que puede cambiar en cada instante de tiempo tk) de dimensión nz × nx, y ν(tk) es ruido blanco gaussiano de dimensión nν y varianza Rk (el ruido de medida). Además suponemos que ν(tk) y ɛ(tk) son independientes, y que sabemos que la condición inicial de x es x(t0) ∼ Nnx (ˆx0, P0). 10 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Ecuaciones del proceso y la medida Resumiendo las ecuaciones: Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman x(tk+1) = Akx(tk) + Bkɛ(tk), z(tk+1) = Hk+1x(tk+1) + ν(tk+1), E[ɛ(tk)] = E[ν(tk)] = 0, E[ɛ(tk)ɛ T (tj)] = δkjQk, E[ν(tk)ν T (tj)] = δkjRk, E[ɛ(tk)ν T (tj)] = 0, x(t0) ∼ Nnx (ˆx0, P0). Definimos la estimación en tk de x(tk) como ˆx(tk). Definimos la covarianza del error de estimación como P(tk) = E[(x(tk) − ˆx(tk))(x(tk) − ˆx(tk)) T ]. El objetivo del filtro de Kalman es, empleando el conocimiento de las ecuaciones arriba formuladas, y a partir de las medidas z(tk), obtener la mejor estimación posible, es decir, el valor de ˆx(tk) que minimiza P(tk). Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. El filtro de Kalman I Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Si sólo tuviéramos el proceso, podemos calcular su media y tomamos ˆx como dicha media; por tanto, x(tk) ∼ Nnx (ˆx(tk), Pk), donde: ˆx(tk+1) = Ak ˆx(tk), Pk+1 = AkPkA T k + BkQkB T k . La idea de Kalman es decir: la estimación arriba escrita es válida antes de tomar la medida z(tk+1). Denotamos dicha estimación “a priori” como ˆx − (tk+1) y su covarianza como P − k+1 . Ahora, si la estimación fuera perfecta y la medida no tuviera error, se tendría que z(tk+1) = Hk+1ˆx − (tk+1). Como no es así, se actualiza la estimación (“a posteriori”) de forma proporcional a la discrepancia: ˆx + (tk+1) = ˆx − (tk+1) + Kk+1(z(tk+1) − Hk+1ˆx − (tk+1)). 11 / 26 12 / 26
- 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 and 40: Sistema de navegación autónomo: N
- Page 41 and 42: 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: Sistemas de navegación integrados
- Page 61 and 62: Sistemas de navegación integrados
- Page 63: Sistemas de navegación integrados
<strong>Sistemas</strong> <strong>de</strong> navegación integrados<br />
Filtrado óptimo <strong>de</strong> sistemas lineales: el filtro <strong>de</strong> Kalman.<br />
Estimador baro-inercial <strong>de</strong> la altitud II<br />
Por tanto:<br />
δ ˙h = −δVD − C1(δh − δhB),<br />
δ ˙VD ≈ − 2g0<br />
δh + C2(δh − δhB) + C3<br />
Re<br />
Fusión <strong>de</strong> sensores. Ejemplo: el canal vertical.<br />
INS-GPS<br />
t<br />
0<br />
(δh − δhB)dτ,<br />
y tomando <strong>de</strong>rivada en la primera ecuación y sustituyendo la<br />
segunda, obtenemos:<br />
δ¨ h = 2g0<br />
δh − C2(δh − δhB) − C3<br />
Re<br />
t<br />
0<br />
(δh − δhB)dτ − C1δ ˙ h.<br />
Tomando otra <strong>de</strong>rivada y reescribiendo la ecuación:<br />
δ ...<br />
h + C1δ¨h + (C2 − 2g0<br />
)δ ˙h + C3δh = C3δhB.<br />
Re<br />
Los autovalores <strong>de</strong> esta ecuación vienen dados por las raíces<br />
)s + C3.<br />
<strong>de</strong>l polinomio s 3 + C1s 2 + (C2 − 2g0<br />
Re<br />
<strong>Sistemas</strong> <strong>de</strong> navegación integrados<br />
Filtrado óptimo <strong>de</strong> sistemas lineales: el filtro <strong>de</strong> Kalman.<br />
Estimador baro-inercial <strong>de</strong> la altitud III<br />
Fusión <strong>de</strong> sensores. Ejemplo: el canal vertical.<br />
INS-GPS<br />
Típicamente se eligen lo valores <strong>de</strong> C1, C2 y C3 para que los<br />
autovalores tengan parte real negativa (es <strong>de</strong>cir, la ecuación<br />
<strong>de</strong> δh sea estable). Una elección clásica es fijar un autovalor al<br />
valor −λ y los otros dos a los valores −λ + jλ y −λ − jλ.<br />
El polinomio característico sería entonces:<br />
(s + λ)(s + λ − jλ)(s + λ + jλ)<br />
= (s + λ)(s 2 + 2λs + 2λ 2 )<br />
= s 3 + 3λs 2 + 4λ 2 s + 2λ 3<br />
Sustituyendo en el polinomio en función <strong>de</strong> los coeficientes<br />
estos valores, se llega a: C1 = 3λ, C2 = 4λ 2 + 2g<br />
Re , C3 = 2λ 3 .<br />
Un valor típico elegido <strong>de</strong> λ es λ = 0,01.<br />
5 / 26<br />
6 / 26<br />
<strong>Sistemas</strong> <strong>de</strong> navegación integrados<br />
Filtrado óptimo <strong>de</strong> sistemas lineales: el filtro <strong>de</strong> Kalman.<br />
El caso INS-GPS<br />
Fusión <strong>de</strong> sensores. Ejemplo: el canal vertical.<br />
INS-GPS<br />
El sistema <strong>de</strong> navegación INS y el GPS son particularmente<br />
complementarios.<br />
El INS:<br />
Da una estimación continua en el tiempo.<br />
Su error crece con el tiempo.<br />
Posee un elevado ancho <strong>de</strong> banda (KHz).<br />
El GPS:<br />
Proporciona una medida <strong>de</strong> alta precisión pero discreta en el<br />
tiempo.<br />
El error está acotado.<br />
Posee un bajo ancho <strong>de</strong> banda (Hz).<br />
Una primera solución sería resetear el INS cada vez que se<br />
obtenga una medida GPS. Pero la medida GPS tampoco es<br />
exacta.<br />
Por tanto hay que intentar, <strong>de</strong> algún modo, combinar el INS y<br />
el GPS para minimizar el error final.<br />
<strong>Sistemas</strong> <strong>de</strong> navegación integrados<br />
Filtrado óptimo <strong>de</strong> sistemas lineales: el filtro <strong>de</strong> Kalman.<br />
Tight Integration y Loose Integration<br />
Fusión <strong>de</strong> sensores. Ejemplo: el canal vertical.<br />
INS-GPS<br />
Existen dos formas <strong>de</strong> llevar a cabo la integración:<br />
Loose Integration:<br />
Éste tipo <strong>de</strong> integración permite tomar dos sistemas separados,<br />
un INS y un GPS, y a partir <strong>de</strong> las salidas <strong>de</strong> ambos, obtener<br />
una estimación común.<br />
Es la forma más simple <strong>de</strong> integrar GPS e INS.<br />
No requiere modificar las estimaciones internas <strong>de</strong> ambos<br />
sistemas.<br />
Tight Integration:<br />
Éste tipo <strong>de</strong> integración emplea las señales <strong>de</strong> entrada al INS y<br />
GPS, es <strong>de</strong>cir, las medidas <strong>de</strong> giróscopos y acelerómetros y los<br />
observables GPS, y los integra directamente.<br />
Es más complejo <strong>de</strong> <strong>de</strong>sarrollar.<br />
No se emplean los algoritmos que hemos visto <strong>de</strong> GPS e INS,<br />
sino un único algoritmo que integra los dos sistemas a la vez.<br />
Se obtienen estimaciones más precisas que en la tipo loose.<br />
En ambos casos, la herramienta clave para <strong>de</strong>sarrollar la<br />
integración es el Filtro <strong>de</strong> Kalman y sus extensiones (Filtro<br />
Extendido <strong>de</strong> Kalman).<br />
7 / 26<br />
8 / 26