با توجه به اهمیت دقت ناوبری در کاربردهایی با سرعت بالا، اغلب سامانه ناوبری اینرسی (INS) را با یکی از سامانه های ناوبری ماهواره ای تلفیق می کنند. در یکی از انواع این روش ها که در آن INS با GPS تلفیق می شود، مسئله ی قطعی GPS یک چالش مهم و غیرقابل اجتناب است. مضاف بر قطعی GPS، استفاده از حسگرهای ارزان قیمت میکرو الکترومکانیکی (MEMS) در INS، که دارای کیفیت پایین بوده و خروجی نویزی دارند، دقت ناوبری خالص INS را به شدت کاهش داده و با طولانی شدن قطعی GPS، آن را به واگرایی می کشاند. در این مقاله با استفاده از هوش مصنوعی، ناوبری INS/GPS را در زمان قطعی GPS بهبود داده ایم. بدین صورت که بلوک هوشمند، خروجی INS را در زمان t-1 و t-2 دریافت می کند، لذا ورودی آن شامل اطلاعات مکانی و زمانی INS می باشد. خروجی بلوک هوشمند نیز مبیّن خروجی GPS در زمان t است. در طول مدتی که GPS در دسترس است، بلوک هوشمند در فاز آموزش است. در این فاز، خروجی بلوک هوشمند با مقدار مطلوب، که همان خروجی GPS می باشد، مقایسه می شود. در زمان قطعی GPS، عملاً بلوک هوشمند خروجی INS را به سمت خروجی GPS میل می دهد. به منظور سنجش این رویکرد و نیز مقایسه دقت تخمین تعدادی از سامانه های هوشمند متفاوت، در پنج روش مختلف، از شبکه های عصبی MLP، RBF، SVR، موجک و نیز سامانه استنتاج فازی-عصبی تطبیقی به عنوان بلوک هوشمند استفاده کرده ایم. همچنین داده-هایی که در این مقاله برای سنجش روش های بیان شده، استفاده شده است، از یک محیط واقعی توسط یک مینی هواپیما جمع آوری شده است. نتایج به دست آمده برای هر پنج روش، نشان دهنده ی آن است که ناوبری تحت این رویکرد در زمان قطعی GPS، نسبت به ناوبری خالص INS به صورت چشم گیری بهبودیافته است. در میان پنج بلوک هوشمند نیز، شبکه عصبی موجک توانسته است حدوداً بیش از 30 درصد نسبت به دیگر روش ها دقت داشته باشد.

سیستم ناوبری یک وسیله متحرک، مقادیر سرعت، موقعیت و وضعیت لحظه ای وسیله را نسبت به یک دستگاه مرجع محاسبه می کند و در اختیار سیستم هدایت قرار می دهد. یکی از پرکاربردترین سیستم های ناوبری، سیستم ناوبری اینرسی است. با توجه به افزایش خطای سیستم ناوبری در طول زمان معمولاً برای ناوبری های طولانی مدت از سیستم ناوبری تلفیقی استفاده می شود. یکی از مرسوم ترین سیستم های ناوبری تلفیقی، سیستم ناوبری تلفیقی INS با GPS است که هرکدام از آن ها مزایا و معایبی دارند که پوشش دهنده دیگری هستند. در این مقاله، دو الگوریتم تلفیق داده GPS و INS با رویکرد اتصال ضعیف و اتصال قوی پیاده سازی و مقایسه شده است. در روش اتصال ضعیف، اندازه گیری های GPS شامل موقعیت ها و سرعت ها است. در روش اتصال قوی، مدلی برای خطای GPS در نظر گرفته شده است که شامل دینامیک بایاس و رانش ساعت GPS است. نتیجه تلفیق داده GPS و INS به این روش به حقیقت نزدیک تر است؛ اما در روش اتصال ضعیف، نتیجه تلفیق میانگین داده های GPS را دنبال می کند. در اجرای الگوریتم تلفیق بااتصال قوی از داده های خام GPS که شبه فاصله و نرخ شبه فاصله به همراه اطلاعات نجومی بوده، استفاده شده است. در این مقاله، به منظور تلفیق اطلاعات داده های دو اندازه گیر از فیلتر کالمن توسعه یافته استفاده شده است. نتایج شبیه سازی برتری عملکرد تلفیق اتصال قوی نسبت به ضعیف را نشان می دهند. همچنین، الگوریتم تلفیق با رویکرد ضعیف به صورت سخت افزاری پیاده سازی و تست خودرویی آن در دو سناریوی وصل و قطع GPS انجام شده است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

تعیین موقعیت و جهت یابی دقیق از اصلی ترین نیازها جهت ناوبری وسایل نقلیه نظامی می باشد. روش های مختلفی برای تعیین موقعیت وسیله وجود دارد. سیستم ناوبری اینرسی (INS) یکی از روش های تعیین موقعیت و وضعیت وسیله نقلیه است که مستقل از فرستنده و لوازم جانبی خارجی کار می کند. به دلیل وجود نویز، بایاس و عوامل تاثیرگذار دیگر، خطای این سامانه در طول زمان همواره افزایشی می باشد، لذا برای دستیابی به دقت بالاتر در ناوبری های طولانی مدت، حداقل به یک سامانه کمک ناوبری نیاز است. از این رو، اصلاح خطا به کمک تلفیق داده های INS و سامانه موقعیت یابی جهانی (GPS) با استفاده از فیلتر کالمن توسعه یافته مقاوم (REKF) در این مقاله مورد بررسی قرار گرفته است. در هنگام ورود وسایل نقلیه به مناطق دشمن که دارای مسدودکننده سیگنال هستند، سیگنال GPS نیز قطع شده، مشاهدات فیلتر به روزرسانی نشده و در نتیجه، موقعیت نهایی خطای افزایشی خواهد داشت. لذا در این سناریو بجای فیلتر کالمن از شبکه عصبی آموزش دیده شده جهت پیش بینی موقعیت در هنگام قطعی GPS استفاده شده است. به منظور پیاده سازی و تست الگوریتم، سخت افزاری با پردازنده و سنسورهای مدنظر طراحی و داده ها را به صورت آنلاین ذخیره و الگوریتم تلفیق داده های GPS/INS مبتی بر فیلتر کالمن و شبکه عصبی بر آن اعمال شده است. نتایج نشان می دهد خطای موقعیت با استفاده از شبکه عصبی تا حدود 70 درصد در هر سه راستا بهبود داشته است.

در این مقاله روشی عملی برای مدل سازی خطای تروپوسفریک در تعیین موقعیت مطلق با گیرنده های تعیین موقعیت جهانی ماهواره ای مانند GPS بر اساس مشاهدات ایستگاههای دایمی تعیین موقعیت ماهواره ای ارایه شده است. در این روش مدل ارایه شده برای تصحیح خطای تروپوسفریک بر خلاف روشهای معمول، که مبتنی بر استفاده از اندازه گیری شرایط جوی در حین مشاهده می باشند، بر مبنای زمان مشاهده صورت می گیرد. بر اساس آزمون های عددی مدل تصحیح خطای تروپوسفری ارایه شده، می توان حدود 98% خطای تروپوسفریک را در محل ایستگاه دایمی در روزهای عدم به کار گیری در مدل سازی، حذف نمود. با توجه به نتایج موفقیت آمیز حاصل از آزمون های عددی توسعه این روش را برای کل کشور یا کل جهان را توصیه می نماییم.