Nghiên cứu giải pháp định vị chính xác cho thiết bị bay tự động không người lái dựa trên phương pháp sensor fusion (tt)

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA _ QUẢNG ĐINH CHÁNH NGHIÊN CỨU GIẢI PHÁP ĐỊNH VỊ CHÍNH XÁC CHO THIẾT BỊ BAY TỰ ĐỘNG KHÔNG NGƯỜI LÁI DỰA TRÊN PHƯƠNG PHÁP SENSOR FUSION Chuyên ngành : KỸ THUẬT CƠ ĐIỆN TỬ Mã số : 85.20.11.4 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT CƠ ĐIỆN TỬ Đà Nẵng - Năm 2022 Cơng trình hồn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS Nguyễn Đình Sơn Phản biện 1: TS Đỗ Thế Cần Phản biện 2: TS Nguyễn Quận Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Kỹ thuật điện tử họp Trường Đại học Bách khoa vào ngày 26 tháng năm 2022 Có thể tìm hiểu luận văn tại:  Trung tâm Học liệu, Đại học Đà Nẵng Trường Đại học Bách khoa  Thư viện Khoa Cơ khí, Trường Đại học Bách khoa - ĐHĐN THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội CHƯƠNG 1: GIỚI THIỆU 1.1 Lý chọn đề tài Một vấn đề phổ biến với hệ thống theo dõi UAV trước phụ thuộc vào liệu đo từ cảm biến Tính hiệu ổn định hệ thống UAV bị sụp đổ trường hợp xảy cố hư hỏng từ cảm biến Hơn nữa, hầu hết tất cảm biến theo dõi gắn UAV có lỗi nhiễu giới hạn phần cứng chúng Hơn nữa, chúng có nhược điểm đáng kể hoạt động môi trường điều kiện cụ thể Đặc biệt, việc ước lượng tư có độ xác cao thách thức lớn UAV bay môi trường lộn xộn có nhiễu động, ví dụ gió giật Một phương tiện bay không người lái UAV (Unmaned Aerial Vehicle) ngày trở nên phổ biến với ưu mà UAV mang lại dễ dàng điều khiển, tốc độ khả vận hành cao, giá thành hợp lí giúp người vận hành tránh nguy hiểm, UAV nhanh chóng mở rộng sang ứng dụng khác nông nghiệp, địa trắc, cứu hộ giúp lực lượng chức truy bắt tội phạm Sự phát triển khoa học công nghệ tiền đề cho phát triển hệ thống UAV Một vấn đề thiết yếu hệ thống UAV việc truyền nhận liệu phận UAV cảm biến, điều khiển, thiết bị lưu trữ Sự phát triển mạng cảm biến (sensor network) truyền thông với tốc độ cao khoảng cách xa dẫn đến phát triển việc kết hợp cảm biến UAV sau Hơn nữa, thuật toán nghiên cứu đời để cải thiện độ xác ổn định cho hệ thống UAV, điều mà trước hạn chế THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Dựa lập luận trên, nghiên cứu xem xét giải vấn đề định vị xác cho UAV phương pháp Sensor Fusion tăng chất lượng liệu, độ tin cậy hệ thống Đóng góp chủ đề làm cho hệ thống định vị UAV trở nên thiết thực hiệu thực tế 1.2 Đối tượng nghiên cứu – thuật tốn Sensor Fusion Gần đây, Sensor Fusion thu hút ý giới nghiên cứu, với ứng dụng rộng rãi khoa học đời thực, đặc biệt điều hướng thiết bị di động robot drone Nó mang lại nhiều lợi ích cho hệ thống tự động: tăng độ xác, độ tin cậy khả chịu lỗi đầu vào cảm biến; mở rộng phạm vi bao phủ không gian thời gian từ hệ thống cảm biến; cải thiện độ phân giải nhận biết tốt môi trường xung quanh, đặc biệt mơi trường động; Sensor Fusion giảm chi phí độ phức tạp hệ thống cách sử dụng thuật toán xử lý trước liệu cho phép sử dụng nhiều loại cảm biến khác mà không làm thay đổi phần mềm ứng dụng rô bốt vượt qua nhược điểm từ phần cứng Chính vậy, hệ thống địi hỏi độ xác cao để giải hạn chế cảm biến, Sensor Fusion giải pháp bướt ngoặt để kết hợp liệu từ nhiều nguồn với thơng qua thuật tốn để cung cấp kết xác đáng tin cậy Hiện đất nước Việt Nam đẩy mạnh phát triển khoa học công nghệ vào phục vụ đời sống người dân, qua việc áp dụng Sensor Fusion giúp cho nhiều lĩnh vực nơng nghiệp, quân địa trắc Sensor Fusion công nghệ mang tính bước ngoặt để THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội đại hóa nhiều lĩnh vực đời sống người dân Đây kỷ nguyên mà Sensor Fusion có đủ điều kiện để phát triển mạnh mẽ thể nhiều tính ưu việt so với phương pháp truyền thống trước 1.3 Phạm vi nghiên cứu – hệ thống định vị UAV Hiện việc nghiên cứu triển khai nhiệm vụ cho UAV điều kiện mơi trường địa hình đẩy mạnh Sự phát triển tối ưu UAV giúp cho nhỏ, nhẹ, có khả vận hành cao mang vác vật nặng kéo theo ứng dụng hịa nhà, hầm nơi tín hiệu GPS bị hạn chế cấu trúc lớn Điều kéo theo yêu cầu phát triển hệ thống với độ xác cao phụ thuộc vào GPS Hệ thống UAV cần phải hoạt động ổn định thời gian thực, tốc độ phản ứng nhanh tiết kiệm lượng Với việc áp dụng Sensor Fusion giúp hệ thống kết hợp nhiều cảm biến có kích thước nhỏ, nhẹ, chi phí thấp tiết kiệm lượng với nhau, giúp tăng ổn định có lỗi hỏng hóc xảy cảm biến, tránh tượng UAV ổn định gây nguy hiểm cho người xung quanh Uav đối tượng cần độ xác ổn định cao bay với tốc độ nhanh dễ bị tác nhân xung quanh tác động luồng gió mạnh, tải nặng gây chịng chành cho UAV Các hệ thống UAV cũ thường có sai số lớn, khó điều hướng xác tác động ngoại lực sử dụng cảm biến đơn lẻ để định vị Điều cho thấy việc áp dụng Sensor Fusion lên hệ thống UAV Nếu ta kết hợp cảm biến bù trừ nhược điểm từ GPS, hệ thống trở nên ổn định nhiều THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Điều dẫn đến giải pháp cho vấn đề này, kết hợp liệu từ nhiều cảm biến để xác định mức chênh lệch cảm biến thu kết xác Sensor Fusion tới áp dụng rộng rãi phương tiện, tác nhân di động tài liệu mơ hình áp dụng UAV cịn Việc áp dụng Sensor Fusion hệ thống UAV giúp đẩy nhanh công nghệ phát triển ứng dụng to lớn mà mang lại cho nhiều lĩnh vực sống 1.4 Mục tiêu nghiên cứu – cảm biến thuật toán sử dụng 1.4.1 Mạng cảm biến sử dụng hệ thống định vị UAV Các phương pháp định vị dựa cảm biến phát triển mạnh nay, kể đến số phương pháp như: Inertial navigation systems (INS), global positioning systems (GPS), motion capture, computer vision, Light Detection and Ranging(Lidar) Radio Detection And Ranging(Radar) Mỗi hệ thống có ưu nhược điểm riêng cần lựa chọn phương pháp phù hợp để áp dụng vào Sensor Fusion hệ thống UAV Trong đề tài này, cảm biến GPS, IMU Radar kết hợp với nhằm đưa kết định vị xác Thuật tốn Sensor Fusion mơ qua phần mềm Matlab nơi mà người dùng tùy chỉnh động lực học, môi trường, cảm biến lọc UAV Kết độ xác vị trí UAV phụ thuộc nhiều vào tính khả dụng phép đo vị trí tốc độ cập nhật cao với tính khả dụng phép đo GPS THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 1.4.2 Thuật toán kết hợp cảm biến hệ thống định vị UAV Thuật toán phổ biến cho phương pháp Sensor Fusion lọc Kalman (KF) Bộ lọc Kalman thực phương pháp truy hồi chuỗi giá trị đầu vào bị nhiễu, nhằm tối ưu hóa giá trị ước đốn trạng thái hệ thống Nó đặc biệt hữu ích phân tích liệu nhiễu; chẳng hạn, cảm biến xe tự hành ghi lại liệu khơng đầy đủ bị nhiễu, sau sửa chữa thuật toán Kalman Bộ lọc Kalman dạng lọc Bayes Trong lọc Bayes, thuật tốn xen kẽ dự đốn (ước tính trạng thái tại) cập nhật (quan sát cảm biến) Về bản, thuật toán thực dự đốn sửa theo giá trị cập nhật ước tính, thực theo hai bước đạt độ xác mong muốn Bộ lọc Kalman đưa dự đoán thời gian thực cách sử dụng mơ hình tốn học dựa trạng thái (bao gồm vị trí tốc độ) độ khơng chắn Nó hoạt động với chức tuyến tính, số đầu cảm biến, liệu radar, khơng tuyến tính Bộ lọc Kalman khơng địi hỏi phải biết phương trình động lực học hệ thống cách xác (system dynamics) so sánh với giải pháp định vị dùng quan sát nhiễu (disturbance observer) Trong trường hợp mơ hình phi tuyến, Bộ lọc Extened Kalman filter (EKF) sử dụng, cách mở rộng chuỗi Taylor, hệ thống phi tuyến tuyến tính hóa xấp xỉ xung quanh ước tính trạng thái Bộ lọc Kalman tuyến tính sau áp dụng để tạo ước tính trạng thái Nhờ ta sử dụng thuật tốn EKF để áp dụng cho THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội liệu cảm biến phi tuyến Một đặc điểm bật lọc KF EKF chúng khơng u cầu khối lượng tính tốn lớn dễ dàng áp dụng thời gian thực Điều làm cho chúng trở nên phù hợp với hệ thống UAV tong đề tài 1.5 Kết đóng góp nghiên cứu Luận văn đưa kết đóng góp sau:  Thiết kế cơng cụ mơ Matlab cung cấp mơi trường tùy chỉnh thông số cảm biến, nhiễu sai số từ mơi tường qua thể việc kết hợp cảm biến qua thuật toán Sensor Fusion  Cung cấp thuật toán Extended kalman filter thể ưu việt kết hợp liệu từ nhiều loại cảm biến khác so với sử dụng GPS, từ đưa cho người dùng nhiều lựa chọn sử dụng kết hợp cảm biến CHƯƠNG 2: TỔNG QUAN 2.1 Mơ hình phương tiện bay không người lái (UAV) 2.1.1 Cấu trúc UAV Bảng 2.1 So sánh mơ hình UAV Ưu điểm Multi- -Thiết kế nhỏ Rotor gọn Nhược điểm -Thời gian bay không cao Ứng dụng Giá điển hình thành -Giám sát khơng THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Thấp Lưu hành nội -Khả di -Cứu hộ chuyển linh không gian hoạt hẹp -Dễ điều khiển -Giao hàng -Dễ gắn xác thiết bị ngoại vi tải trọng -Tốc độ cao FixedWing -Tầm bay lớn -Cần bệ phóng -Truy bắt tội -Thời gian bay hạ cánh phạm lâu -Nguy hiểm -Triển khai -Khơng thể lơ khó điều vũ khí qn lửng chuyển khiển Cao hướng đột ngột -Không hồn -Có thể cất cánh hạ VTOL cánh thẳng đứng -Hoạt động bền bỉ hảo việc lơ lửng bay phía trước -Khó điều khiển -Vẽ đồ khơng Cao q trình phát triển Qua bảng so sánh trên, thấy multirotor tối ưu cho ứng dụng cần định vị với độ xác cao Trong cấu hình multirotor, lực nâng tạo từ cánh quạt Các cánh quạt kiểm THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội soát hướng độ cao máy bay cách thay đổi tốc độ cánh quạt để thay đổi lượng lực đẩy mô-men xoắn tạo Điều mang lại cho máy bay đặc tính xử lý độc đáo, cho phép bay với độ xác cực cao khơng gian kín khơng gian mở Động đa bốn cánh quạt (quadcopter) thiết kế phổ biến cung cấp cân tốt lực nâng, khả kiểm soát, khả động chi phí 2.1.2 Những yếu tố gây nhiễu UAV 2.2 Các loại cảm biến 2.2.1 Cảm biến IMU 2.2.2 Cảm biến GPS 2.2.3 Cảm biến hình ảnh 2.2.4 Cảm biến Lidar 2.2.5 Cảm biến Radar 2.2.6 Kết luận Việc lựa chọn cảm biến cho phương pháp Sensor Fusion sử dụng hệ thống UAV phù hợp với yêu cầu độ xác cao, giá thành chi phí vận hành thấp, phù hợp với nhiều loại mơi trường khác khối lượng tính tốn đáp ứng thời gian thực quan Trong thực tế cảm biến có nhiễu tùy mức độ nhiễu khâu xử lý trước áp dụng vào thuật toán cần thiết Để đáp ứng yêu cầu đề tài, cảm biến lựa chọn GPS, IMU RADAR Bên bảng phân tích so sánh ưu nhược điểm loại cảm biến THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 10 thu thập Phương pháp Sensor Fusion mang tới lợi ích ưu việt tăng chất lượng liệu mà hệ thống nhận được, làm tăng độ tin cậy hệ thống, giúp ước tính trạng thái khơng đo tăng vùng phủ sóng Nguồn liệu Cảm biến Cảm biến Trạng thái hệ thống Vị trí SENSOR FUSION Tốc độ Mơ hình tốn học Hình 2.1 Ngun lý hoạt động phương pháp Sensor Fusion Trong hệ thống UAV, Sensor Fusion làm tăng số lượng cảm biến thu thập, đa dạng hóa loại cảm biến sử dụng mơ hình tốn học để tổng hợp tinh chỉnh thơng tin cảm biến thu thập Vì hợp cảm biến cho phép xác định vị trí, định vị, phát theo dõi xác hơn, nên cải thiện nhận thức tình hệ thống tự hành làm cho hệ thống quán, xác đáng tin cậy Nó cho phép chúng tơi kết hợp cảm biến có tốc độ lấy mẫu khác nhau: thơng thường, cảm biến xác với tốc độ lấy mẫu thấp cảm biến xác với tốc độ lấy mẫu cao Dưới số thuật toán phổ biến phát triển sử dụng cho phương pháp Sensor fusion THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 11 2.3.1 Bộ lọc complementary 2.3.2 Bộ lọc Kalman Để hiểu việc áp dụng Kalman Filter phương pháp Sensor Fusion, ta lấy ví dụ cho việc theo dõi đối tượng robot UAV Mơ hình đối tượng xem xét Nhận biết ban đầu hệ thống thời điểm t=0 Phân bố Gaussian màu đỏ đại diện cho niềm tin(sự chắn) ban đầu vị trí đối tượng Mũi tên sang phải biểu thị vận tốc ban đầu biết đối tượng Bước dự đốn, dự đốn vị trí đối tượng t=1 với mức độ không chắn thể THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 12 Bước đo đạc, phân bố Gaussian màu xanh thể liệu đo vị trí thời điểm t=1 với mức độ khơng chắn phép đo nhiễu Bước cập nhật, phân bố Gaussian màu xanh kết hợp kết đo dự đốn vị trí thời điểm t=1 cho thấy ước lượng tốt vị trí đối tượng Hình 2.2 Ngun lý lọc Kalman filter Kalman Filtering sử dụng phép đo khơng hồn hảo quan sát theo thời gian tạo ước tính biến chưa biết Bộ lọc Kalman khơng cần tồn lịch sử phép đo trạng thái khứ để thực cơng việc nó, sử dụng phép đo đầu vào trạng thái độ khơng đảm bảo tính tốn trước Bộ lọc khơng cần mơ hình tốn học đối tượng để ước lượng kết Đây tính ưu việt lọc Kalman Filter khiến áp dụng rộng rãi 2.3.3 Bộ lọc Kalman mở rộng (Extended kalman filter) Trong phần trước, lọc Kalman áp dụng mơ hình q trình mơ hình đo lường q trình Gaussian tuyến tính Nhiễu phép đo trình chuyển đổi trạng thái phải THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 13 phân bố Gaussian Hàm chuyển đổi trạng thái phép đo sang hàm trạng thái phải tuyến tính Nếu cung cấp cho phân bố Gaussian hàm tuyến tính kết thu hàm tuyến tính Ngược lại, trường hợp hàm khơng tuyến tính kết nhận phân bố Gaussian Trong trường hợp áp dụng lọc Kalman Filter, tính phi tuyến tính phá hủy Gaussian khơng có ý nghĩa tính giá trị trung bình phương sai Với trường hợp liệu cảm biến khơng trả hàm tuyến tính Ví dụ cảm biến Radar trả liệu góc đơn vị rad nên hàm trả chúng hàm lượng giác (khơng tuyến tính) Ý tưởng để giải toán ta tuyến tính hóa hàm phi tuyến, áp dụng kết có lọc Kalman Filter Đây chìa khóa cho thuật tốn Extended Kalman Filter Bộ lọc sử dụng phương pháp gọi First Order Taylor Expansion (chuỗi Taylor) để tuyến tính hóa hàm phí tuyến 2.3.4 Bộ lọc hạt (Particle Filter) 2.3.5 Mạng nơ-ron (Neural network) 2.3.6 Kết luận Bảng 2.3 Tóm tắt ưu nhược điểm lọc thuật toán Sensor Fusion Thuật Kalman Extended Particle Neural toán Filter Kalman Filter Network Filter THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 14 Mơ hình Tuyến tính Phi tuyến Phi tuyến Phi tuyến Gaussian Gaussian Không Không phải phải Gaussian Gaussian Cao Cao Khơng cần Cần tốn học Phân bố Chi phí Thấp khối Thấp vừa lượng tính tốn Cần phải Khơng cần Khơng cần dạy mơ hình thực tế Với u cầu cho hệ thống UAV đặt phải hoạt động ổn định nhiều điều kiện khác nhau, lựa chọn xác thuật toán cho đề tài quan trọng Việc áp dụng nhiều cảm biến với liệu phi tuyến bất khả thi với thuật toán Kalman Filter Đối với thuật tốn Particle tốn tài ngun tính tốn độ phức tạp cao nên khó khăn cho việc áp dụng cho hệ thống UAV thời gian thực Tương tự Neural network, khó thích nghi với hệ thống động học động UAV kiểm sốt q trình xử lý liệu Điều đưa đến kết luận sử dụng thuật toán phù hợp với yêu cầu đề tài Extended Kalman Filter THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 15 2.4 Các hệ thống định vị sử dụng hệ thống UAV 2.4.1 Hệ thống định vị sử dụng GPS 2.4.2 Hệ thống định vị GPS kết hợp với Lidar 2.4.3 Hệ thống định vị Radar 2.4.4 Hệ thống định vị Camera 2.5 Kết luận Chương so sánh đưa kết luận:  Về mơ hình động học: Sử dụng quadrotor  Về cảm biến: sử dụng RTK, IMU, Radar  Về lọc thuật toán: Sử dụng Extended Kalman Filter CHƯƠNG 3: THIẾT KẾ CHƯƠNG TRÌNH SỬ DỤNG PHƯƠNG PHÁP SENSOR FUSION 3.1 Bộ lọc Extended Kalman 3.1.1 Cấu trúc chung lọc Extended Kalman Hình 3.1 Sơ đồ nguyên lý lọc Kalman mở rộng THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 16 Hình 3.2 Sơ đồ thuật tốn sử dụng lọc Extended Kalman THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 17 Khi bắt đầu thuật toán, giá trị trạng thái ban đầu x0 , ma trận hiệp phương sai P0 , nhiễu trình Q nhiễu phép đo R cần phải thiết lập Sau đó, vịng lặp thuật tốn gồm hai q trình dự đốn cập nhật trạng thái Khi có giá trị đo từ cảm biến từ hệ thống, ma trận trạng thái 𝑥̂𝑘|𝑘−1 ma trận hiệp phương sai 𝑃𝑘|𝑘−1 dự đoán biểu diễn công thức: 𝑥̂𝑘|𝑘−1 = 𝑓(𝑥̂𝑘−1|𝑘−1 ,𝑢𝑘 ) 𝑃𝑘|𝑘−1 = 𝐹𝑘 𝑃𝑘−1|𝑘−1 𝐹𝑘𝑇 +𝑄𝑘 (3.1) Ở bước cập nhật tiếp theo, kết ước tính trạng thái 𝑥𝑘|𝑘 với ma trận hiệp phương sai 𝑃𝑘|𝑘 kết hợp hai phân bố Gaussian (phép nhân hai phân phối) trạng thái dự đoán giá trị đo dựa công thức sau: 𝑦𝑘 = 𝑧𝑘 − ℎ(𝑥̂𝑘|𝑘−1 ) 𝑆𝑘 = 𝐻𝑘 𝑃𝑘|𝑘−1 𝐻𝑘𝑇 + 𝑅𝑘 𝐾𝑘 = 𝑃𝑘|𝑘−1 𝐻𝑘𝑇 𝑆𝑘−1 (3.2) 𝑥𝑘|𝑘 = 𝑥̂𝑘|𝑘−1 + 𝐾𝑘 𝑦𝑘 𝑃𝑘|𝑘 = (I − 𝐾𝑘 𝐻𝑘 ) 𝑃𝑘|𝑘−1 Q trình dự đốn cập nhật lặp lại liên tục theo thời gian thực để đạt kết ước tính tối ưu 3.1.2 Bộ lọc extended kalman filter cho trường hợp sử dụng cảm biến GPS RADAR Thuật toán kết hợp giá trị đo từ cảm biến GPS RADAR để có ước tính vị trí (𝑃𝑥 , 𝑃𝑦 ) vận tốc (𝑣𝑥 , 𝑣𝑦 ) UAV Cảm biến GPS cung cấp vị trí UAV tọa độ đề các, cảm biến THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 18 RADAR Cảm biến radar đo tốc độ đường ngắm (𝜌̇ ) cách sử dụng thứ gọi hiệu ứng doppler Nó đo khoảng cách đối tượng gần dễ dàng chuyển đổi sang tọa độ cực (𝜌, 𝜃) với 𝜌 hay r khoảng cách từ điểm gốc đến vị trí cần đo Ma trận x giữ ước tính trạng thái đối tượng UAV theo dõi, tổng cộng bốn giá trị: vị trí vận tốc tọa độ đề 𝑥 Ma trận hiệp phương sai P thể độ không chắc trạng thái hệ thống Trong phần tử ma trận hiệp phương sai hai biến Ta có ma trận hiệp phương sai P = 0 𝜎𝑝𝑥 𝜎𝑝𝑦 ( ) 𝜎𝑣𝑥 0 𝜎𝑣𝑦 0 Bảng 3.1 Ma trận giá trị đo hiệp phương sai cảm biến GPS RADAR GPS RADAR 𝑝𝑥 z = (𝑝 ) 𝑦 √𝑝𝑥2 + 𝑝𝑦2 𝜌 𝑝𝑥 𝜑 z = ( ) = arctan(𝑝𝑦 ) 𝜌̇ 𝑝𝑥 𝑣𝑥 +𝑝𝑦 𝑣𝑦 ( 𝜎𝑥2 R=( 0 ) 𝜎𝑦2 𝜎𝜌2 R=(0 √𝑝𝑥2 +𝑝𝑦 𝜎𝜑2 0) 𝜎𝜌̇2 ) Thật không may, giá trị cảm biến RADAR tọa độ cực nên khơng thể trích xuất trực tiếp Điều làm cho việc trích xuất khơng THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 19 tuyến tính áp dụng công thức lọc Kalman Ta cần sử dụng ma trận Jacobian để tuyến tính hóa khơng tuyến tính dựa phương pháp chuỗi Taylor: 𝜕h(𝜇) h(x) ≈ h(𝜇) + ⏟ (x- 𝜇) 𝜕𝑥 (3.3) 𝐻𝑗 Như đạo hàm h (x) x gọi Jacobians ma trận chứa tất đạo hàm riêng Cụ thể cảm biến RADAR, hàm h mô tả ba thành phần: 𝜌, 𝜃, 𝜌̇ , trạng thái vectơ có bốn thành phần (𝑝𝑥 , 𝑝𝑦 , 𝑣𝑥 , 𝑣𝑦 ) Từ ta có ma trận Jacobian sau: 3.1.3 Bộ lọc extended kalman filter cho trường hợp sử dụng cảm biến GPS IMU Hình 3.3 Mơ hình hệ thống UAV Để xác định vị trí rơ bốt mặt phẳng, mối quan hệ thiết lập hệ quy chiếu toàn cục mặt phẳng hệ quy chiếu cục rơ bốt, Hình Các trục xác định hệ quy chiếu toàn cục hệ quy chiếu rơ bốt tương ứng Vị trí rơ bốt mặt phẳng hồn tồn xác định biến x, y θ Có thể THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 20 thấy có hai đầu vào v 𝜔 cho hệ thống Trong vận tốc tuyến tính v UAV ln hướng theo hướng hệ quy chiếu rô bốt vận tốc góc 𝜔 coi tốc độ quay hệ quy chiếu cục hệ quy chiếu toàn cục Ta xét véc tơ trạng thái hệ thống gồm giá trị 𝑥𝑘 = (𝑝𝑥𝑘 , 𝑝𝑦𝑘 , 𝜃𝑘 , 𝜔𝑘 , 𝑣𝑘 , 𝑎𝑘 ) Với 𝑝𝑥𝑘 , 𝑝𝑦𝑘 giá trị vị trí theo phương x,y 𝑣𝑘 , 𝑎𝑘 vận tốc, gia tốc đối tượng Giả sử hệ thống có gia tốc gia tốc góc khơng đổi, ta có mơ hình động học hệ thống: 𝑝𝑥𝑘 𝑝𝑦𝑘 𝜃𝑘 𝑥𝑘 = = 𝑓(𝑥𝑘−1 , 𝑢𝑘 ) 𝜔𝑘 𝑣𝑘 ( 𝑎𝑘 ) 𝑥𝑘−1 + 𝑣𝑘−1 ∆𝑡𝑐𝑜𝑠(𝜃𝑘−1 ) 𝑦𝑘−1 + 𝑣𝑘−1 ∆𝑡𝑠𝑖𝑛(𝜃𝑘−1 ) 𝜃𝑘−1 + 𝜔𝑘−1 ∆𝑡 = 𝜔𝑘−1 𝑣𝑘−1 + 𝑎𝑘−1 ∆𝑡 𝑎𝑘−1 ( ) (3.4) 𝐹𝑗 ma trận Jacobian để chuyển đổi trạng thái 𝑄𝑘 nhiễu q trình Áp dụng cơng thức tuyến tính hóa ta có: 𝜕𝑓(𝑥) = 0 (0 0 0 𝐹𝑗 = 𝜕𝑥 |x=𝑥̂𝑘−1|𝑘−1 −𝑠𝑖𝑛(𝜃𝑘−1 )𝑣𝑘−1 ∆𝑡 𝑐𝑜𝑠(𝜃𝑘−1 )∆𝑡 𝑐𝑜𝑠(𝜃𝑘−1 )𝑣𝑘−1 ∆𝑡 𝑠𝑖𝑛(𝜃𝑘−1 )∆𝑡 ∆𝑡 0 0 0 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG 0 0 ∆𝑡 1) (3.5) Lưu hành nội 21 3.2 Đánh giá kết luận CHƯƠNG 4: MÔ PHỎNG VÀ KẾT QUẢ 4.1 Mơ thuật tốn EKF phần mềm Matlab 4.1.1 Mô quỹ đạo bay liệu cảm biến UAV 4.1.2 Thiết lập thông số đầu vào lọc EKF cho trường hợp kết hợp cảm biến 4.2 Kết mơ Hình 4.1 Kết sử dụng lọc Hình 4.2 Kết sử dụng EKF cảm biến GPS lọc EKF cảm biến RADAR THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 22 Hình 4.3 Kết sử dụng Hình 4.4 Kết sử dụng lọc lọc EKF kết hợp cảm EKF kết hợp cảm biến GPS biến GPS RADAR IMU Hình 4.5 Kết sử dụng Hình 4.6 So sánh kết lọc EKF kết hợp cảm biến trường hợp kết hợp cảm biến GPS, RADAR IMU THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 23 Hình 4.7 Thử nghiệm cảm biến RADAR bị lỗi khoảng thời gian 4.3 Nhận xét kết luận Từ kết đồ thị mơ phỏng, thấy độ xác vị trí hệ thống cải thiện kết hợp nhiều liệu đo từ nhiều cảm biến Việc sử dụng cảm biến GPS riêng lẻ có RMSE 0.55 đem lại kết thấp nhiều so với việc kết hợp ba loại cảm biến GPS, RADAR IMU có RMSE 0.11 Qua cho thấy tối ưu việc áp dụng phương pháp Sensor Fusion kết hợp nhiều loại cảm biến cho hệ thống định vị UAV Việc so sánh nhiều trường hợp khác giúp người dùng cân nhắc sử dụng kết hợp cảm biến phù hợp để đáp ứng yêu cầu thực tế Hơn nữa, trường hợp cảm biến RADAR bị hỏng khoảng thời gian ngắn, kết ước tính bị lệch xa so với liệu thực tế sau thu hẹp khoảng cách bắt lại đường thực Nó cho thấy khả chống nhiễu tốt trường hợp cảm biến THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 24 hư hỏng đảm bảo tính hiệu an toàn hệ thống CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ Những kết thu sau thực đề tài: “Nghiên cứu giải pháp định vị xác cho thiết bị bay tự động khơng người lái dựa phương pháp Sensor Fusion”: -Nghiên cứu cấu trúc cơng thức thuật tốn Extended Kalman filter Từ cho thấy khả kết hợp nhiều mơ hình cảm biến tuyến tính phí tuyến kèm theo nhiễu để ước tính kết xác -Nghiên cứu mô phần mềm Matlab để tạo liệu cảm biến điều chỉnh thông số thuật tốn -Từ kết mơ thể ưu việt kết hợp nhiều loại cảm biến khác so với việc sử dụng cảm biến GPS -Thể ưu điểm phương pháp Sensor Fusion có cảm biến bị lỗi hoạt động ổn định Do thời gian có hạn, luận văn dừng lại việc mô hệ thống định vị UAV chưa có mơ hình thực tế Hơn nữa, thuật tốn Extended kalman có hạn chế giảm hiệu áp dụng cho mơ hình có độ phi tuyến lớn Vì để phát triển khả định vị xác, ta cần áp dụng lọc thơng minh Particle filter, Fuzzy, Neural network có khả giải tốt với điều kiện phi tuyến thực tế THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội ... đề tài: ? ?Nghiên cứu giải pháp định vị xác cho thiết bị bay tự động không người lái dựa phương pháp Sensor Fusion? ??: -Nghiên cứu cấu trúc cơng thức thuật tốn Extended Kalman filter Từ cho thấy... đề định vị xác cho UAV phương pháp Sensor Fusion tăng chất lượng liệu, độ tin cậy hệ thống Đóng góp chủ đề làm cho hệ thống định vị UAV trở nên thiết thực hiệu thực tế 1.2 Đối tượng nghiên cứu. .. thu thập Vì hợp cảm biến cho phép xác định vị trí, định vị, phát theo dõi xác hơn, nên cải thiện nhận thức tình hệ thống tự hành làm cho hệ thống qn, xác đáng tin cậy Nó cho phép chúng tơi kết