(Chú thích: ●○○ khơng tốt, ●●○: tốt, ●●● rất tốt)
GPS IMU RADAR LIDAR CAMERA
Độ phân giải ●○○ ●●● ●○○ ●●○ ●●●
Độ chính xác ●○○ ●●○ ●●● ●●○ ●●●
Ảnh hưởng bởi môi
trường ●○○ ●●● ●●● ●●○ ●●○
Phụ thuộc vào tín hiệu vơ tuyến ●○○ ●●● ●●● ●●● ●●● Ảnh hưởng bởi tốc độ ●●○ ●●○ ●●● ●○○ ●○○ Kích thước ●●● ●●● ●●● ●○○ ●●● Giá thành ●●● ●●● ●●○ ●○○ ●●● 2.3 Các loại bộ lọc
Sensor Fusion là sự kết hợp của dữ liệu cảm quan hoặc dữ liệu thu được từ các nguồn khác nhau sao cho thơng tin kết quả có độ khơng chắc chắn thấp hơn so với những gì có thể có nếu các nguồn này được sử dụng riêng lẻ. Trong trường hợp cảm biến sai lệch nhiều so với thực tế do ảnh hưởng bởi thời tiết, tầm nhìn, tốc độ, vị trí thì việc thu thập dữ liệu từ nhiều cảm biến sẽ giúp cải thiện độ chính xác của kết quả thu thập được. Phương pháp Sensor Fusion mang tới những lợi ích ưu việt như tăng chất lượng dữ liệu mà hệ thống nhận được, làm tăng độ tin cậy của hệ thống, nó có thể giúp ước tính các trạng thái khơng đo được và tăng vùng phủ sóng.
SENSOR FUSION Cảm biến 1 Cảm biến 2 Mơ hình tốn học Vị trí Tốc độ
Nguồn dữ liệu Trạng thái hệ thống
Trong hệ thống UAV, Sensor Fusion làm tăng số lượng cảm biến thu thập, đa dạng hóa các loại cảm biến và sử dụng các mơ hình tốn học để tổng hợp và tinh chỉnh thông tin do cảm biến thu thập. Vì hợp nhất cảm biến cho phép xác định vị trí, định vị, phát hiện và theo dõi chính xác hơn, nên nó cải thiện nhận thức tình huống của hệ thống tự hành và làm cho các hệ thống nhất quán, chính xác và đáng tin cậy hơn. Nó cũng có thể cho phép chúng tơi kết hợp các cảm biến có tốc độ lấy mẫu khác nhau: thơng thường, cảm biến chính xác với tốc độ lấy mẫu thấp và cảm biến kém chính xác hơn với tốc độ lấy mẫu cao. Dưới đây là một số thuật toán phổ biến đã và đang được phát triển sử dụng cho phương pháp Sensor fusion.
2.3.1 Bộ lọc complementary
Complementary Filter là bộ lọc đơn giản nhất trong số các bộ lọc và thường được sử dụng để truy xuất hướng vì độ phức tạp tính tốn thấp của nó. Con quay hồi chuyển và gia tốc kế đều cung cấp một phép đo có thể giúp chúng ta ước tính hướng. Con quay hồi chuyển đọc phép đo nhiễu của vận tốc góc mà từ đó có thể tính tốn hướng của UAV mới từ trước theo công thức: qt=qt−1∗R2Q(Δtω)
Điều này thường được gọi là Dead Reckoning [64] và dễ xảy ra việc sai số bị tích lũy và kết quả thực tế sẽ bị trôi dạt. Việc giảm sai số cũng sẽ không giải quyết được vấn đề này cho dù là thiết bị đắt đến đâu đi chăng nữa, vì vậy cần một biện pháp khác để có một kết quả chính xác. Ta đã có gia tốc kế cung cấp phép đo định hướng có độ nhiễu cao (rung động, gió, v.v.), nhưng nó khơng bị ảnh hưởng bởi tác động của hiện tượng trơi vì nó khơng dựa vào sự tích tụ dựa trên việc gia tốc kế sẽ đo hướng trường trọng lực. Bản thân ý tưởng của bộ lọc là kết hợp các phép đo "ngắn hạn" chính xác của con quay hồi chuyển có thể bị trơi với các phép đo "dài hạn" của gia tốc kế. Tuy nhiên, một máy bay không người lái đang chịu tác động của gia tốc và rung động liên tục và đáng kể và sẽ có sai số. Vì vậy trong đề tài này thuật tốn Complementary filter sẽ khơng được áp dụng.
2.3.2 Bộ lọc Kalman
Việc phát triển Kalman filter được dựa trên lý thuyết Bayesian. Đây là một phương pháp suy luận thống kê, trong đó định lý Bayes được sử dụng để cập nhật xác suất cho một giả thuyết khi có thêm bằng chứng hoặc thông tin. Trong lý thuyết Bayesian, giá trị trước là phân phối ước tính của trạng thái trước đó tại thời điểm t-1, khả năng tương ứng với khả năng nhận được dữ liệu mới từ cảm biến cho trước và cuối cùng, giá trị sau là phân phối ước tính được cập nhật. Bộ lọc Kalman yêu cầu cả quá trình xây dựng mơ hình và q trình đo đạc dữ liệu đều là phân bố Gaussian tuyến tính [65]. Các phân bố
gaussian tuyến tính có dạng: 𝑥𝑡=f(𝑥𝑡-1)+ 𝑤𝑡. Trong đó f là một hàm tuyến tính và 𝑥𝑡 có dạng phân bố Gaussian.
Bộ lọc Kalman là một ứng dụng trực tiếp của suy luận bayes. Nó kết hợp dự đốn của phân phối với trạng thái ước tính trước và mơ hình chuyển đổi trạng thái và phân phối ước tính dựa trên dữ liệu đến từ các cảm biến. Bởi vì, cả q trình mơ hình và quá trình cảm biến đều được giả định là Gaussian tuyến tính, chúng ta có thể kết hợp chúng thành một phân phối Gaussian. Thật vậy, tích của phân bố hai Gauss tạo thành một phân bố Gauss mới. Bộ lọc Kalman theo dõi các tham số của gaussian đó: trạng thái trung bình và hiệp phương sai của trạng thái thể hiện sự khơng chắc chắn về dự đốn cuối cùng của chúng ta. Giá trị trung bình của phân phối đó cũng là ước tính trạng thái hiện tại tốt nhất của bộ lọc. Bằng cách theo dõi độ khơng đảm bảo, chúng tơi có thể kết hợp các tiêu chuẩn một cách tối ưu bằng cách biết tầm quan trọng của sự khác biệt giữa dữ liệu cảm biến dự kiến và dữ liệu cảm biến thực tế. Yếu tố đó là Kalmain Gain.
Để hiểu việc áp dụng Kalman Filter trong phương pháp Sensor Fusion, ta lấy ví dụ cho việc theo dõi một đối tượng như robot hoặc UAV. Bộ lọc Kalman cơ bản là một quy trình đệ quy bao gồm 3 bước. Đầu tiên, bước đự đoán - Dựa vào kiến thức trước đây về vị trí của đối tượng và phương trình động học, dự đốn vị trí của đối tượng sau thời điểm t + 1 cùng với độ không chắc chắn theo phân bố Gaussian. Tiếp theo là bước đo đạc - nhận kết quả đọc từ cảm biến liên quan đến vị trí của xe và so sánh với kết quả từ bước dự đoán. Bước cuối cùng là cập nhật - cập nhật vị trí(trạng thái) của đối tượng dựa trên dự đoán và các chỉ số cảm biến dựa trọng trọng số Kalman Gain. Kalman Gain là một tham số quyết định bao nhiêu trọng lượng nên được cung cấp cho giá trị dự đốn và giá trị đo. Nó kiểm tra mức độ khơng chắc chắn ở cả giá trị dự đốn và giá trị đo được và sau đó nó quyết định xem giá trị thực cần tìm có gần với giá trị dự đoán hay giá trị đo được hay khơng. Những hình dưới sẽ thể hiện rõ hơn nguyên lý các bước trong Kalman Filter.
Mơ hình đối tượng đang được xem xét
Nhận biết ban đầu của hệ thống tại thời điểm t=0. Phân bố Gaussian màu đỏ đại diện cho niềm tin(sự chắc chắn) ban đầu về vị trí của đối tượng. Mũi tên chỉ sang phải biểu thị vận tốc ban đầu đã biết của đối tượng.
Bước dự đốn, dự đốn của vị trí đối tượng tại t=1 với mức độ khơng chắc chắn được thể hiện.
Bước đo đạc, phân bố Gaussian màu xanh thể hiện dữ liệu đo vị trí tại thời điểm t=1 với mức độ không chắc chắn trong phép đo nhiễu đó
Bước cập nhật, phân bố Gaussian màu xanh là sự kết hợp của kết quả đo và dự đốn vị trí tại thời điểm t=1 cho thấy sự ước lượng tốt nhất về vị trí của đối tượng
Hình 2.14 Nguyên lý bộ lọc Kalman filter
Kalman Filtering sử dụng các phép đo khơng hồn hảo được quan sát theo thời gian và tạo ra các ước tính của các biến chưa biết. Bộ lọc Kalman khơng cần toàn bộ
lịch sử của các phép đo và trạng thái trong quá khứ để thực hiện cơng việc của nó, nó chỉ sử dụng phép đo đầu vào hiện tại và trạng thái cũng như độ khơng đảm bảo được tính tốn trước đó. Bộ lọc này khơng cần mơ hình tốn học của đối tượng để ước lượng kết quả. Đây là tính ưu việt của bộ lọc Kalman Filter khiến nó được áp dụng rộng rãi hiện nay. Cơ bản nó là các cơng thức đơn giản như sau:
Bước dự đoán: 𝑥′=Fx + u 𝑃′ = 𝐹𝑃𝐹𝑇 + 𝑄 Bước cập nhật: y=z - H𝑥′ S=H𝑃′𝐻𝑇+R K=𝑃′𝐻𝑇𝑆−1 x=𝑥′+ 𝐾𝑦 P=(I-KH) 𝑃′
Trong đó 𝑥′ là trạng thái dự đốn; F và H là ma trận chuyển; u là nhiễu hệ thống dự đốn, Q là nhiễu của q trình tính tốn, P và 𝑃′ là mức độ không chắc chắn của trạng thái dự đoán và cập nhật, y là sự khác biệt giữa phép đo z và dự đoán, S là tổng nhiễu, K là hệ số Kalman Gain và I là ma trận nhận dạng.
2.3.3 Bộ lọc Kalman mở rộng (Extended kalman filter)
Trong phần trước, bộ lọc Kalman chỉ áp dụng được khi cả mơ hình q trình và mơ hình đo lường đều là các q trình Gaussian tuyến tính. Nhiễu của các phép đo và của quá trình chuyển đổi trạng thái phải là phân bố Gaussian. Hàm chuyển đổi trạng thái và phép đo sang hàm trạng thái phải tuyến tính. Hàm mật độ xác suất của phân phối chuẩn với giá trị trung bình 𝜇 và phương sai 𝜎2 (hay, độ lệch chuẩn 𝜎) là một ví dụ của
một hàm phân bố chuẩn Gaussian: f(x|𝜇, 𝜎2)= 1
√2𝜋𝜎2 𝑒
−(𝑥−𝜇)2 2𝜎2
Hình 2.15 Hình dạng của phân bố chuẩn Gaussian [66]
Nếu cung cấp cho phân bố Gaussian một hàm tuyến tính thì kết quả chúng ta thu được cũng sẽ là hàm tuyến tính. Ngược lại, đối với trường hợp những hàm khơng tuyến tính thì kết quả nhận được sẽ khơng phải là phân bố Gaussian. Trong trường hợp này sẽ không thể áp dụng bộ lọc Kalman Filter, tính phi tuyến tính phá hủy Gaussian và khơng có ý nghĩa khi tính giá trị trung bình và phương sai.
Hình 2.16 Kết quả áp dụng hàm khơng tuyến tính cho phân bố chuẩn Gaussian [67] Với trường hợp dữ liệu cảm biến khơng trả về hàm tuyến tính. Ví dụ đối với cảm biến Radar trả về dữ liệu là góc đơn vị rad nên hàm trả về của chúng sẽ là hàm lượng giác (khơng tuyến tính). Ý tưởng để giải quyết bài tốn này là ta sẽ tuyến tính hóa các