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

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 LUẬN VĂN THẠC SĨ KỸ THUẬT CƠ ĐIỆN TỬ Đà Nẵng - Năm 2022 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 LUẬN VĂN THẠC SĨ KỸ THUẬT CƠ ĐIỆN TỬ Người hướng dẫn khoa học: TS NGUYỄN ĐÌNH SƠN Đà Nẵng - Năm 2022 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội LỜI CẢM ƠN Lời đầu tiên, em xin gửi lời cảm ơn chân thành sâu sắc tới Thầy Nguyễn Đình Sơn Thầy Trần Phi Vũ Quý Thầy tận tình hướng dẫn truyền cho em kinh nghiệm quý báu nghiên cứu khoa học Em xin gửi lời cảm ơn tới Khoa Cơ khí, Trường Đại học Bách khoa, Đại học Đà Nẵng tạo điều kiện thuận lợi suốt trình làm luận văn Em xin cảm ơn ủng hộ bạn bè, đồng nghiệp giúp đỡ tạo điều kiện thuận lợi trình làm luận văn Cuối cùng, em xin chân thành cảm ơn đến gia đình động viên ủng hộ suốt trình làm luận văn Mặc dù cố gắng hoàn thành luận văn phạm vi khả cho phép nhiên, thời gian có hạn nên đề tài nghiên cứu khơng tránh khỏi thiếu sót, em mong thơng cảm góp ý Q Thầy để em tiếp tục nghiên cứu hồn thành tốt sau Đà Nẵng, ngày 24 tháng 05 năm 2022 Tác giả luận văn Quảng Đinh Chánh THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi, kết nghiên cứu trình bày luận văn trung thực, khách quan chưa cơng bố cơng trình khác Tơi xin cam đoan giúp đỡ cho việc thực luận văn cám ơn, thông tin trích dẫn luận văn rõ nguồn gốc Đà Nẵng, ngày 24 tháng 05 năm 2022 Tác giả luận văn Quảng Đinh Chánh THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội TÓM TẮT LUẬN VĂN NGHIÊN CỨU GIẢI PHÁP ĐỊNH VỊ CHÍNH XÁC CHO THIẾT BỊ BAY TỰ ĐỘNG KHÔNG NGƯỜI LÁI DỰA TRÊN PHƯƠNG PHÁP SENSOR FUSION Học viên: Quảng Đinh Chánh Mã số: 101210004 Khóa: 42 Chuyên ngành: Kỹ thuật Cơ Điện tử Trường Đại học Bách khoa - ĐHĐN Tóm tắt – Ngày nay, cơng nghệ phát triển nhanh chóng kèm theo nhu cầu phát triển hệ thống tự động Một vấn đề thiết yếu hệ thống tự động khả định vị mơi trường Có nhiều phương pháp áp dụng việc sử dụng cảm biến GPS, Radar hay IMU phương pháp có ưu nhược điểm riêng Đối với trường hợp cần có xác tin cậy cao cần phải kết hợp ưu điểm nhiều cảm biến với Trong khuôn khổ đề tài này, tác giả nghiên cứu nâng cao tính định vị xác máy bay khơng người lái thơng qua cảm biến phương pháp Sensor Fusion Tác giả tóm tắt kết đạt đưa hướng phát triển Từ khóa – Sensor Fusion; lọc Kalman, lọc Kalman mở rộng, định vị UAVchính xác, tối ưu hóa cảm biến HIGH-ACCURACY UAV NAVIGATION BASED ON MULTI-SENSOR FUSION Many current navigation systems for unmanned aerial vehicles (UAV) heavily rely on the accuracy of the Global Positioning System (GPS) sensor The failure of such a GPS sensor or its low-quality data can downgrade flight performance or even lead to the crash of the whole system This paper proposes a Sensor Fusion method, known as Extended Kalman filter (EKF), that improves relative navigation accuracy and robustness by fusing all available measurements Using partial derivatives and Taylor series expansion, EKF linearises the predict and update phases for current estimates Through a series of comparison experiments, the combination of different sensor types (e.g., GPS, IMU, and RADAR sensors) delivers various positioning efficiencies, but all outperform the navigation performance of the GPS alone Key words – Sensor Fusion, Kalman filter, Extended kalman filter, high-accuracy UAV sensor optimisation THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội MỤC LỤC CHƯƠNG 1: GIỚI THIỆU 1.1 Lý chọn đề tài 1.2 Đối tượng nghiên cứu – thuật toán Sensor Fusion 1.3 Phạm vi nghiên cứu – hệ thống định vị UAV .9 1.4 Đối tượng nghiên cứu – cảm biến thuật toán sử dụng 11 1.4.1 Mạng cảm biến sử dụng hệ thống định vị UAV 11 1.4.2 Thuật toán kết hợp cảm biến hệ thống định vị UAV .13 1.5 Kết đóng góp nghiên cứu 14 CHƯƠNG 2: TỔNG QUAN .15 2.1 Mơ hình phương tiện bay không người lái (UAV) 15 2.1.1 Cấu trúc UAV 15 2.1.2 Những yếu tố gây nhiễu UAV 17 2.2 Các loại cảm biến 19 2.2.1 Cảm biến IMU 19 2.2.2 Cảm biến GPS 21 2.2.3 Cảm biến hình ảnh 22 2.2.4 Cảm biến Lidar 23 2.2.5 Cảm biến Radar .25 2.2.6 Kết luận 27 2.3 Các loại lọc 28 2.3.1 Bộ lọc complementary 29 2.3.2 Bộ lọc Kalman 29 2.3.3 Bộ lọc Kalman mở rộng (Extended kalman filter) 32 2.3.4 Bộ lọc hạt (Particle Filter) .34 2.3.5 Mạng nơ-ron (Neural network) 35 2.4 Các hệ thống định vị sử dụng hệ thống UAV 37 2.4.1 Hệ thống định vị sử dụng GPS 37 2.4.2 Hệ thống định vị GPS kết hợp với Lidar 37 2.4.3 Hệ thống định vị Radar 37 2.4.4 Hệ thống định vị Camera 37 2.5 Kết luận 37 CHƯƠNG 3: THIẾT KẾ CHƯƠNG TRÌNH SỬ DỤNG PHƯƠNG PHÁP SENSOR FUSION .39 3.1 Bộ lọc Extended Kalman 39 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 3.1.1 Cấu trúc chung lọc Extended Kalman 39 3.1.2 Bộ lọc extended kalman filter cho trường hợp sử dụng cảm biến GPS RADAR 42 3.1.3 Bộ lọc extended kalman filter cho trường hợp sử dụng cảm biến GPS IMU 46 3.2 Đánh giá kết luận .48 CHƯƠNG 4: MÔ PHỎNG VÀ KẾT QUẢ 49 4.1 Mơ thuật tốn EKF phần mềm Matlab 49 4.1.1 Mô quỹ đạo bay liệu cảm biến UAV 49 4.1.2 Thiết lập thông số đầu vào lọc EKF cho trường hợp kết hợp cảm biến 49 4.2 Kết mô 50 4.3 Nhận xét kết luận .54 CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ 55 TÀI LIỆU THAM KHẢO 56 PHỤ LỤC 62 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội DANH MỤC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Hình ảnh thảm họa máy bay Boeing 737 Indonesia năm 2018 [2] Hình 1.2 UAV giao vacxin Jammu, Ấn độ tháng 11 năm 2021 [4] Hình 1.3 Thảm họa hạt nhân Fukushima, Nhật Bản [5] Hình 1.4 Chiếc xe nhận biết vi trí với mơi trường xung quanh [7] Hình 1.5 Áp dụng Sensor Fusion nông nghiệp [11] Hình 1.6 Đà Nẵng sử dụng UAV để giám sát người dân kiệt hẻm [10] Hình 1.7 Chiếc UAV DJI nặng 25 pound bị rơi Anh thiếu tín hiệu GPS [12] 10 Hình 1.8 Ứng dụng UAV mơi trường tín hiệu GPS bị hạn chế [13] 10 Hình 2.1 Ví dụ kiểu hình dáng UAV [28] 15 Hình 2.2 Tọa độ mơ hình Quadrotor [30] 17 Hình 2.3 Biễu diễn góc Roll, Pitch,Yaw [49] 21 Hình 2.4 Hệ tọa độ ECEF [52] 22 Hình 2.5 Kết từ cảm biến Lidar RMB Velodyne HDL-64 [57] 24 Hình 2.6 Dữ liệu từ hệ thống quét laser di động Riegl VMX-450 [57] 24 Hình 2.7 Mơ hình RADAR 25 Hình 2.8 Các phận hệ thống RADAR 26 Hình 2.9 Sơ lược RADAR xung 27 Hình 2.10 Sơ lược Radar FM-CW .27 Hình 2.11 Phép đo cảm biên Radar [62] 27 Hình 2.12 Chuyển đổi tọa độ phép đo Radar [63] .27 Hình 2.13 Nguyên lý hoạt động phương pháp Sensor Fusion 28 Hình 2.14 Nguyên lý lọc Kalman filter 31 Hình 2.15 Hình dạng phân bố chuẩn Gaussian [66] .33 Hình 2.16 Kết áp dụng hàm khơng tuyến tính cho phân bố chuẩn Gaussian [67] 33 Hình 2.17 Các bước lọc Particle Filter [68] 35 Hình 2.18 Cấu trúc mạng neural gồm nút nối với [69] 36 Hình 3.1 Sơ đồ nguyên lý lọc Kalman mở rộng .39 Hình 3.2 Sơ đồ thuật tốn sử dụng lọc Extended Kalman .40 Hình 3.3 Chuyển đổi tọa độ cực tọa độ Đề từ cảm biến RADAR .42 Hình 3.4 Mơ hình hệ thống UAV 46 Hình 4.1 Kết sử dụng lọc EKF cảm biến GPS 51 Hình 4.2 Kết sử dụng lọc EKF cảm biến RADAR 51 Hình 4.3 Kết sử dụng lọc EKF kết hợp cảm biến GPS RADAR 52 Hình 4.4 Kết sử dụng lọc EKF kết hợp cảm biến GPS IMU 52 Hình 4.5 Kết sử dụng lọc EKF kết hợp cảm biến GPS, RADAR IMU .53 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Hình 4.6 So sánh kết trường hợp kết hợp cảm biến 53 Hình 4.7 Thử nghiệm cảm biến RADAR bị lỗi khoảng thời gian 54 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội DANH MỤC CÁC BẢNG Bảng 2.1 So sánh mơ hình UAV .16 Bảng 2.2 So sánh ưu nhược điểm loại cảm biến 28 Bảng 2.3 So sánh công thức lọc Kalman Filter Extended Kalman Filter 34 Bảng 2.4 Tóm tắt ưu nhược điểm lọc thuật toán Sensor Fusion 36 Bảng 3.1 Ma trận giá trị đo hiệp phương sai cảm biến GPS RADAR 43 Bảng 4.1 Thiết lập thông số cảm biến 49 Bảng 4.2 Thiết lập thông số ban đầu cho lọc EKF 50 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 61 [78] miniaturized UAS," Journal of Intelligent & Robotic Systems, vol 90, no 3, pp 485-503, 2018 J Pestana, I Mellado-Bataller, J L Sanchez-Lopez, C Fu, I F Mondragón, and P Campoy, "A general purpose configurable controller for indoors and outdoors gps-denied navigation for multirotor unmanned aerial vehicles," Journal of Intelligent & Robotic Systems, vol 73, no 1, pp 387-400, 2014 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 62 PHỤ LỤC Chương trình thuật tốn Extended Kalman filter Matlab Delta_t=0.1; %Calculate Q ay_q = 5; ax_q = 5; R_lidar=[0.0225, 0.0; 0.0, 0.0225]; R_radar=[0.09,0.0,0.0; 0.0,0.0009,0.0; 0.0,0.0,0.09]; H_lidar=[1.0, 0.0, 0.0, 0.0; 0.0, 1.0, 0.0, 0.0]; P=[1.0, 0.0, 0.0, 0.0; 0.0, 1.0, 0.0, 0.0; 0.0, 0.0, 1000.0, 0.0; 0.0, 0.0, 0.0, 1000.0]; r11=((Delta_t^4)*ax_q)/4; r13=((Delta_t^3)*ax_q)/2; r22=((Delta_t^4)*ay_q)/4; r24=((Delta_t^3)*ay_q)/2; r31=((Delta_t^3)*ax_q)/2; r33=(Delta_t^2)*ax_q; r42=((Delta_t^3)*ay_q)/2; r44=(Delta_t^2)*ay_q; Q=[r11,0.0,r13,0.0; 0.0,r22,0.0,r24; r31,0.0,r33,0.0; 0.0,r42,0.0,r44]; F=[1 Delta_t 0; Delta_t; 0 0; 0 1]; I=eye(4,4); su=0; THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 63 thresh=0.000001; x_0 = GPS_x(1); y_0 = GPS_y(1); phi_0 = 0; phi_D_0 = 0; v_0 = 0; a_0 = 0; x_i = 0; y_i = 0; phi_i = 0; phi_D_i = 0; v_i = 0; a_i = 0; Variance_phi_D = 0.0035; Varince_a = 0.01^2; Variance_x = 10^-4; Variance_y = 10^-4; Variance_phi = 10^-5; P_kM1 = [Variance_x,0,0,0,0,0; 0,Variance_y,0,0,0,0; 0,0,Variance_phi,0,0,0; 0,0,0,0,0,0; 0,0,0,0,0,0; 0,0,0,0,0,0]; % B = size(imu); cnt = 1; cnt_b = 1; Interval =1; P_Interval =1; su_y = 0; su_x = 0; THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 64 for cnt=1:1:length(GPS_x) P1 =plot(GPS_x(cnt,1),GPS_y(cnt,1),'-*','MarkerSize', 5,'LineWidth', 1, 'color','r'); P3 =plot(GT_x(cnt,1),GT_y(cnt,1),'g.'); hold on end while cnt