Tytuł pozycji:
INS/GPS KF integration performance improvement based on accurate inertial sensors sochastic error modelling
Inertial Navigation Systems (INS) provides precise data for short time-period, but their accuracy diminishes over time, especially with low cost sensors. To maintain acceptable accuracy, sensor error components must be accurately calibrated/modelled. Different methods have been used to characterize the inertial sensors stochastic errors, including the Autocorrelation function (ACF), Allan variance (AV) and the Generalized Method of Wavelet Moments (GMWM). This paper focuses on the analysis of Micro-Electromechanical Systems (MEMS)-based inertial sensor errors under various conditions. The inertial sensor stochastic error processes are estimated using both the AV and the GMWM techniques. Based on the comparison between both stochastic analysis tools, the GMWM was selected and a GMWM-based model selection criteria is utilized to rank candidate error models. An extended 39-states integrated GNSS/INS navigation algorithm (based on the chosen error model) is proposed and compared with a standard 15- states integrated GNSS/INS navigation algorithm (based on 1st Gauss-Markov process for modelling the stochastic errors). The study analyses various stochastic error models using real data of Inertial Navigation System (INS) and Global Positioning System (GPS) with intended GPS signal outage periods. Results reveal enhanced position accuracy with the proposed algorithm and superior performance with GMWM-based error model over standard ACF-based one.
Inercyjne systemy nawigacji (INS) dostarczają dokładnych danych przez krótki okres czasu, ale ich dokładność maleje z czasem, szczególnie w przypadku tanich czujników. Aby zachować akceptowalną dokładność, składowe błędu czujnika muszą być dokładnie skalibrowane/modelowane. Do charakteryzowania błędów stochastycznych czujników inercyjnych zastosowano różne metody, w tym funkcję autokorelacji (ACF), wariancję Allana (AV) i uogólnioną metodę momentów falkowych (GMWM). W artykule skupiono się na analizie błędów czujników inercyjnych opartych na systemach mikroelektromechanicznych (MEMS) w różnych warunkach. Procesy błędów stochastycznych czujnika inercyjnego są szacowane przy użyciu technik AV i GMWM. Na podstawie porównania obu narzędzi analizy stochastycznej wybrano GMWM, a kryteria wyboru modelu oparte na GMWM zastosowano do uszeregowania modeli potencjalnych błędów. Zaproponowano rozszerzony, 39-stanowy zintegrowany algorytm nawigacji GNSS/INS (oparty na wybranym modelu błędów) i porównano go ze standardowym 15-stanowym zintegrowanym algorytmem nawigacji GNSS/INS (opartym na pierwszym procesie Gaussa-Markowa do modelowania błędów stochastycznych). W pracy przeanalizowano różne modele błędów stochastycznych wykorzystując rzeczywiste dane z systemu nawigacji inercyjnej (INS) i globalnego systemu pozycjonowania (GPS) z przewidywanymi okresami zaniku sygnału GPS. Wyniki ujawniają zwiększoną dokładność pozycjonowania dzięki proponowanemu algorytmowi i lepszą wydajność dzięki modelowi błędów opartemu na GMWM w porównaniu ze standardowym modelem opartym na ACF.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
