<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m16d.sid.inpe.br 806</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP7W/3AP6SB5</identifier>
		<repository>sid.inpe.br/mtc-m19/2011/11.07.22.08</repository>
		<lastupdate>2012:03.12.18.00.30 sid.inpe.br/mtc-m19@80/2009/08.21.17.02 administrator</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m19/2011/11.07.22.08.07</metadatarepository>
		<metadatalastupdate>2018:06.05.04.24.58 sid.inpe.br/mtc-m19@80/2009/08.21.17.02 administrator {D 2011}</metadatalastupdate>
		<secondarykey>INPE-16954-TDI/1836</secondarykey>
		<citationkey>MarquesFo:2011:SiNaIn</citationkey>
		<title>Sistema de navegação inercial GPS/INS de baixo custo com compensação de erros por redes neurais artificiais</title>
		<alternatetitle>Low cost GPS/INS navigation systems with error compensation by artificial neural networks</alternatetitle>
		<course>CMC-SPG-INPE-MCT-BR</course>
		<year>2011</year>
		<date>2011-12-06</date>
		<thesistype>Tese (Doutorado em Mecânica Espacial e Controle)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>147</numberofpages>
		<numberoffiles>1</numberoffiles>
		<size>2209 KiB</size>
		<author>Marques Filho, Edmundo Alberto,</author>
		<group>CMC-SPG-INPE-MCT-BR</group>
		<committee>Milani, Paulo Giácomo (presidente),</committee>
		<committee>Kuga, Hélio Koiti (orientador),</committee>
		<committee>Rios Neto, Atair (orientador),</committee>
		<committee>Carrara, Valdemir,</committee>
		<committee>Hemerly, Elder Moreira,</committee>
		<committee>Silva, Jaime Augusto da,</committee>
		<e-mailaddress>edmundo_amf@yahoo.com.br</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>navegação de baixo custo, redes neurais artificiais (RNA), navegação inercial, GPS, UMI, SNI, filtro de Kalman, low cost navigation, artificial neural networks (ANN), inertial navigation, IMU, INS, Kalman filter.</keywords>
		<abstract>Este trabalho aborda a aplicação de redes neurais artificiais (RNA) em um sistema de navegação inercial de baixo custo auxiliado por GPS. Busca-se suprir a necessidade que ocorre já que o GPS não trabalha em todos os ambientes, ou pode trabalhar de forma inadequada, durante certo intervalo de tempo. Desenvolve-se solução para prover a falta de informações na porção do tempo onde o GPS não opera, explorando a integração de sensores inerciais com o GPS. Sensores inerciais de baixo custo têm, porém, a desvantagem de apresentar um grande e contínuo acúmulo de erros, acarretando baixo desempenho no sistema. Utiliza-se rede neural, neste contexto, para melhorar a solução de navegação dada pelo sistema inercial nos períodos de ausência das informações provenientes do GPS. É apresentada uma revisão dos principais conceitos e técnicas envolvidas com o tema em questão; uma abordagem para configurar a RNA, quanto aos sinais de entrada e saída, baseada num conjunto simplificado de equações de navegação inercial e seus dois modos de operação, treinamento e predição. É abordada uma metodologia para o processamento de dados de treinamento e respectivo algoritmo de treinamento utilizando um filtro de Kalman adaptativo. Também é proposto um método para o treinamento da RNA com a característica de alternar a apresentação dos padrões de treinamento entre o modo lote, com conjuntos de tamanho fixo, e o modo sequencial, filtrando os padrões de treinamento individualmente, característica que confere ao método certa capacidade de treinamento em tempo aproximadamente-real. Finalmente, são apresentados os resultados obtidos, por simulação numérica, de uma aplicação de posicionamento veicular terrestre com dados adquiridos de uma IMU Crossbow CD400-200 e de um receptor GPS Ashtech Z12. Os métodos propostos foram testados em situações distintas de movimento do veículo e avaliados os erros de posição, ou predição, obtidos durante ausência simulada do GPS. Os erros de predição, obtidos pela RNA, apresentaram menor magnitude quando comparados com um sistema INS/GPS convencional, integrado por um filtro de Kalman, também simulado sem a atualização do GPS. Os resultados indicaram que a RNA foi mais eficiente em representar a cinemática do veículo, num dado intervalo de tempo, que o sistema de navegação convencional. ABSTRACT: This work addresses the use of artificial neural network (ANN) in GPS aided inertial navigation systems. The GPS technology dominates, nowadays, the positioning and navigation (POS/NAV) market, and alternative POS/NAV systems are only needed because GPS does not work in all environments, or can not provide reliable solutions during some time interval. There are different solutions to fulfill information during GPS blockage and integrated inertial sensors systems with GPS are frequently used. However, low cost inertial sensors have the disadvantage of accumulating continuous errors in great extension, leading to poor system performance. In this context, ANN is applied to provide better NAV/POS solutions during the lack of information in GPS outages. This work introduces a review of the main used concepts and techniques, an approach to define input-output ANN signals based on a reduced set of inertial navigation equations, and the ANN prediction and training operation modes. It presents a methodology to preprocessing input data and a training algorithm, based on adaptive Kalman filtering approach. It also proposes a method for ANN training with the characteristic of alternating the training patterns from batch mode, with a constant data set size, to sequential mode, by filtering individual pattern-by-pattern of training data, which gives to the method some real time training capacity. Finally, numerical simulation results are assessed from urban vehicular positioning application, with data acquired from an MEMS IMU Crossbow CD400_200 and an Ashtech Z12 GPS receiver. The proposed methods were tested with different vehicle dynamic situations and the position errors, acquired in prediction mode or simulated GPS outage, were assessed. When compared to a conventional INS/GPS system, integrated by a Kalman filter and operating without GPS updates, the ANN position errors have lower magnitudes. These results indicate that ANN was more capable to learn the vehicles kinematics, for a certain time interval, than the modeling presented by the conventional navigation system.</abstract>
		<area>ETES</area>
		<language>pt</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>administrator</usergroup>
		<usergroup>edmundo_amf@yahoo.com.br</usergroup>
		<usergroup>sabrina</usergroup>
		<usergroup>viveca@sid.inpe.br</usergroup>
		<usergroup>yolanda.souza@mcti.gov.br</usergroup>
		<visibility>shown</visibility>
		<copyholder>SID/SCD</copyholder>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>sid.inpe.br/mtc-m19@80/2009/08.21.17.02.53</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F2UALS</nexthigherunit>
		<dissemination>BNDEPOSITOLEGAL</dissemination>
		<hostcollection>sid.inpe.br/mtc-m19@80/2009/08.21.17.02</hostcollection>
		<agreement>autorizacao.pdf agreement.html .htaccess .htaccess2</agreement>
		<lasthostcollection>sid.inpe.br/mtc-m19@80/2009/08.21.17.02</lasthostcollection>
		<supervisor>Rios Neto, Atair,</supervisor>
		<supervisor>Kuga, Hélio Koiti,</supervisor>
		<url>http://mtc-m16d.sid.inpe.br/rep-/sid.inpe.br/mtc-m19/2011/11.07.22.08</url>
	</metadata>
</metadatalist>