طراحی سیستم ناوبری برای یک هواپیمای بدون سرنشین مجهز به سنسور زاویه‌سنج

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد / دانشگاه آزاد اسلامی، واحد گرمسار، باشگاه پژوهشگران و نخبگان جوان

2 عضو هیات علمی / دانشکده مهندسی هوافضا، دانشگاه صنعتی شریف

3 عضو هیات علمی / مجتمع برق و الکترونیک، دانشگاه صنعتی مالک‌اشتر

چکیده

در این مقاله از الگوریتم «موقعیت‌یابی و ترسیم نقشه به‌صورت همزمان» برای ناوبری یک هواپیمای بدون سرنشین استفاده شده است. از یک سنسور زاویه‌سنج (مانند دوربین تک‌رنگ) برای مشاهده عوارض موجود بر روی زمین استفاده می‌شود که زوایه قرارگیری علائم مشخصه نسبت به محور طولی هواپیما را اندازه‌گیری می‌کند. به کمک «الگوریتم موقعیت‌یابی و ترسیم نقشه به‌صورت همزمان»، تخمین دقیقی از موقعیت و سرعت هواپیما و همچنین موقعیت دو بعدی علائم مشخصه بر روی زمین به دست می‌آوریم. در این الگوریتم، از فیلتر کالمن توسعه یافته به عنوان مکانیزم تلفیق اطلاعات سیستم ناوبری اینرسی و داده‌های به دست آمده از سنسور خارجی و همچنین از روش موقعیت‌یابی تأخیری مقید برای تعیین موقعیت اولیه علائم مشخصه استفاده شده است. برای بالا بردن دقت ناوبری و ترسیم یک نقشه دقیق از محیط، یک بار دیگر هواپیما همان مسیر قبلی را پرواز می‌کند و در پرواز دوم از داده‌های ذخیره‌شده در دور قبل استفاده می‌شود. نتایج به دست آمده از شبیه‌سازی‌ها، کارایی الگوریتم پیشنهادی در بهبود دقت ناوبری هواپیما را نشان می‌دهند.

کلیدواژه‌ها


عنوان مقاله [English]

Design of a Navigation System for an Unmanned Air Vehicle Equipped with a Bearing-Only Sensor

نویسندگان [English]

  • Saeed Mohammadlou 1
  • Habib ghanbarpour 2
  • Ali Jabbar Rashidi 3
چکیده [English]

In this paper, we have utilized Simultaneous Localization and Mapping (SLAM) problem to design a navigation algorithm for an Unmanned Air Vehicle (UAV). In our scheme, a bearing-only sensor has been installed on UAV as an external sensor that measures the relative bearing angles between the vehicle and unknown landmarks on the ground. SLAM algorithm helps us to reach precise estimates for vehicle states and the position of landmarks at the same time. Extended Kalman Filter has been used as a fusion mechanism to combine the received measurements from external sensor and provided data by Inertial Navigation System (INS). Moreover, for finding a precise location for landmarks when the UAV observes them for first time, we have used a Delayed Constrained Initialization approach. When UAV reaches to the end of the considered trajectory, it flies through the trajectory for second time in which the UAV utilizes the stored data in previous flight to enhance the accuracy of state estimates. Finally, simulation results show the performance of the proposed approach in design of a navigation algorithm for UAVs.

[1] John J.Leonard, and Hugh F.Durrant-Whyte. 1991. Simultaneous Map Building and Localization for an Autonomous Mobile Robot, IEEE International Conference on Intelligent Robot Systems, Osaka, Japan.

[2] Jose E.Guivant. 2001. Efficient Simultaneous Localization and Mapping in Large Environments, A Doctor of Philosophy thesis University of Sydney.

[3] Yaakov Bar-Shalom. 2001. Estimation With Application to Tracking and Navigation, John Wiley & Sons.

[4] R. Smith, M.Self, and P.Cheeseman. 1987. A stochastic map for uncertain spatial relationships. International Symposium on Robotics Research, MIT press.

[5] R. Smith, M.Self, and P.Cheeseman. 1986. Estimating uncertain spatial relationships in robotics. Proceedings of the Second Annual Conference on Uncertainty in Artificial Intelligence, USA.

[6] G. P. Huang, A. I. Mourikis, and S. I. Roumeliotis. 2008. Analysis and improvement of the consistency of Extended Kalman Filter-based SLAM. IEEE International Conference on Robotics and Automation.

[7] M. Liu, S. Huang, and G. Dissanayake. 2011. Feature based SLAM using laser sensor data with maximized information usage. IEEE International Conference on Robotics and Automation.

[8] M. Wongphati, N. Niparnan, and A. Sudsang. 2009. Bearing Only FastSLAM Using Vertical Line Information from an Omnidirectional Camera. IEEE International Conference on Robotics and Biomimetics.

[9] M. Farrokhsiar, and H. Najjaran. 2010. A Higher Order Rao-Blackwellized Particle Filter for Monocular vSLAM. IEEE American Control Conference (ACC).

[10] E. Guerra. 2011. New Approach on Bearing-only SLAM for Indoor Environments. IEEE International Conference on Emerging Technologies & Factory Automation (ETFA).

[11] Greg Welch, and Gray Bishop. 2006. An Introduction to the Kalman Filter. university of north Carolina. Available online at http://www.cs.unc.edu/~welch/me-dia/pdf/kalman_intro.pdf

[12] Paul Michael Newman. 1999. On the Structure and Solution of the Simultaneous Localization and Map building Proble.Doctor of Philosophy thesis University of Sydney.

[13] Mitch Bryson, and Salah Sukkarieh. 2006. Building a Robost Implementation of Bearing-Only Inertial SLAM for a UAV. Journal of Field Robotics, Special issue on SLAM in the field 24(2): 113-143.

[14] D.H.Titterton, J.L.Weston. 2000. Strapdown Inertial Navigation Technology. The American Institute of Aeronautics and Astronautics and the Institution of Electrical Engineers. Press of England.

[15] Stefan Bernard Williams. 2001. Efficient Solution to Autonomous Mapping and Navigation Problems. Doctor of Philosophy thesis University of Sydney.