@PhDThesis{MarquesFo:2011:SiNaIn,
author = "Marques Filho, Edmundo Alberto",
title = "Sistema de navega{\c{c}}{\~a}o inercial GPS/INS de baixo custo
com compensa{\c{c}}{\~a}o de erros por redes neurais
artificiais",
school = "Instituto Nacional de Pesquisas Espaciais",
year = "2011",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2011-12-06",
keywords = "navega{\c{c}}{\~a}o de baixo custo, redes neurais artificiais
(RNA), navega{\c{c}}{\~a}o inercial, GPS, UMI, SNI, filtro de
Kalman, low cost navigation, artificial neural networks (ANN),
inertial navigation, IMU, INS, Kalman filter.",
abstract = "Este trabalho aborda a aplica{\c{c}}{\~a}o de redes neurais
artificiais (RNA) em um sistema de navega{\c{c}}{\~a}o inercial
de baixo custo auxiliado por GPS. Busca-se suprir a necessidade
que ocorre j{\'a} que o GPS n{\~a}o trabalha em todos os
ambientes, ou pode trabalhar de forma inadequada, durante certo
intervalo de tempo. Desenvolve-se solu{\c{c}}{\~a}o para prover
a falta de informa{\c{c}}{\~o}es na por{\c{c}}{\~a}o do tempo
onde o GPS n{\~a}o opera, explorando a integra{\c{c}}{\~a}o de
sensores inerciais com o GPS. Sensores inerciais de baixo custo
t{\^e}m, por{\'e}m, a desvantagem de apresentar um grande e
cont{\'{\i}}nuo ac{\'u}mulo de erros, acarretando baixo
desempenho no sistema. Utiliza-se rede neural, neste contexto,
para melhorar a solu{\c{c}}{\~a}o de navega{\c{c}}{\~a}o dada
pelo sistema inercial nos per{\'{\i}}odos de aus{\^e}ncia das
informa{\c{c}}{\~o}es provenientes do GPS. {\'E} apresentada
uma revis{\~a}o dos principais conceitos e t{\'e}cnicas
envolvidas com o tema em quest{\~a}o; uma abordagem para
configurar a RNA, quanto aos sinais de entrada e sa{\'{\i}}da,
baseada num conjunto simplificado de equa{\c{c}}{\~o}es de
navega{\c{c}}{\~a}o inercial e seus dois modos de
opera{\c{c}}{\~a}o, treinamento e predi{\c{c}}{\~a}o. {\'E}
abordada uma metodologia para o processamento de dados de
treinamento e respectivo algoritmo de treinamento utilizando um
filtro de Kalman adaptativo. Tamb{\'e}m {\'e} proposto um
m{\'e}todo para o treinamento da RNA com a
caracter{\'{\i}}stica de alternar a apresenta{\c{c}}{\~a}o dos
padr{\~o}es de treinamento entre o modo lote, com conjuntos de
tamanho fixo, e o modo sequencial, filtrando os padr{\~o}es de
treinamento individualmente, caracter{\'{\i}}stica que confere
ao m{\'e}todo certa capacidade de treinamento em tempo
aproximadamente-real. Finalmente, s{\~a}o apresentados os
resultados obtidos, por simula{\c{c}}{\~a}o num{\'e}rica, de
uma aplica{\c{c}}{\~a}o de posicionamento veicular terrestre com
dados adquiridos de uma IMU Crossbow CD400-200 e de um receptor
GPS Ashtech Z12. Os m{\'e}todos propostos foram testados em
situa{\c{c}}{\~o}es distintas de movimento do ve{\'{\i}}culo e
avaliados os erros de posi{\c{c}}{\~a}o, ou
predi{\c{c}}{\~a}o, obtidos durante aus{\^e}ncia simulada do
GPS. Os erros de predi{\c{c}}{\~a}o, obtidos pela RNA,
apresentaram menor magnitude quando comparados com um sistema
INS/GPS convencional, integrado por um filtro de Kalman,
tamb{\'e}m simulado sem a atualiza{\c{c}}{\~a}o do GPS. Os
resultados indicaram que a RNA foi mais eficiente em representar a
cinem{\'a}tica do ve{\'{\i}}culo, num dado intervalo de tempo,
que o sistema de navega{\c{c}}{\~a}o 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.",
committee = "Milani, Paulo Gi{\'a}como (presidente) and Kuga, H{\'e}lio Koiti
(orientador) and Rios Neto, Atair (orientador) and Carrara,
Valdemir and Hemerly, Elder Moreira and Silva, Jaime Augusto da",
copyholder = "SID/SCD",
englishtitle = "Low cost GPS/INS navigation systems with error compensation by
artificial neural networks",
language = "pt",
pages = "147",
ibi = "8JMKD3MGP7W/3AP6SB5",
url = "http://urlib.net/ibi/8JMKD3MGP7W/3AP6SB5",
targetfile = "publicacao.pdf",
urlaccessdate = "03 maio 2024"
}