Automatické zarovnání palubní inerciální měřicí jednotky z naměřených dat

Abstract

Tato práce se zaměřuje na návrh offline algoritmického postupu pro určení orientace připevněných palubních senzorů IMU vůči vozidlu, který je založen na datech ze senzorů IMU a GNSS. Návrh řešení cílí na větší pozemní vozidla (např. autobusy, tramvaje, vlaky). Znalost orientace senzorů IMU vůči vozidlu je nezbytnou informací při integraci těchto senzorů do navigačních systémů založených na GNSS. Integrace výrazně zvyšuje přesnost navigace, a v případě výpadku signálu GNSS mohou tyto senzory zajistit nepřetržitou funkci navigačního systému. V rámci této práce byl navržen iterativní rozšířený Kalmanův filtr (IEKF), který odhaduje pohybové stavy vozidla, stochastické chyby senzorů IMU a kýženou orientaci senzorů IMU vůči vozidlu. Pro inicializaci IEKF byla navržena metoda pro počáteční odhad vychýlení IMU, která je založená na analýze měření senzorů IMU a GNSS. Funkčnost implementované metody počátečního odhadu vychýlení IMU a IEKF byla ověřena na vlastních syntetických datech a metoda pro počáteční odhad vychýlení IMU viditelně přispěla k tomu, aby IEKF konvergoval ke správným hodnotám. Metoda počátečního odhadu vychýlení IMU se ukázala být účinná i na reálných datech.

This work focuses on the design of an offline algorithmic procedure for determining the orientation of strap-down IMU sensors of a vehicle, based on data from IMU and GNSS sensors. The proposed solution targets larger ground vehicles (e.g., buses, trams, trains). Knowledge of the orientation of IMU sensors to the vehicle is essential information when integrating these sensors into GNSS-based navigation systems. Integration significantly increases the accuracy of navigation, and in the event of a GNSS signal failure, these sensors can ensure the uninterrupted function of the navigation system. As part of this work, an iterative extended Kalman filter (IEKF) was designed, which estimates the motion states of the vehicle, stochastic errors of IMU sensors, and the desired orientation of IMU sensors to the vehicle. For the initialization of IEKF, a method for the initial estimate of IMU misalignment was designed, based on the analysis of measurements from IMU and GNSS sensors. The functionality of the implemented method for the initial estimate of IMU misalignment and IEKF was verified on own synthetic data. The method for the initial estimate of IMU misalignment visibly contributed to IEKF converging to the correct values. The method for the initial estimate of IMU misalignment proved to be effective on real data as well.