Fúze dat v demonstrátoru zpracování družicových signálů a 'opportunity ' signálů

Abstract

Práce se zaměřuje na fúzi dat o poloze a pohybu z různých zdrojů. Jednak jde o fúzi více zdrojů měření polohy, např. z více GNSS systémů, nebo využití takzvaných "opportunity" signálů, které nejsou primárně určeny pro měření polohy. Dále je navržen model pohybu, který aproximuje pohyb sledovaného objektu, a Kalmanův filtr, který se snaží zmenšit chyby měření polohy pomocí predikce následujícího stavu s použitím daného modelu pohybu. Zde vstupují do procesu "opportunity" signály ve formě časově proměnných veličin pohybu měřených pohybovými senzory. Cílem je také určit polohu i v případě, že hlavní zdroj určování polohy, obvykle nějaký GNSS systém, má výpadek signálu nebo nějakou poruchu, a to právě za pomoci výše zmíněných metod. Navržený algoritmus je simulován v prostředí MATLAB a ověřován na testovacích datech určených pro post-processing, zachycených při dřívějším experimentu s navigačním demonstrátorem. Vstupní data jsou polohy z přijímače GPS a naměřené veličiny z pohybových senzorů. Je zde měřeno zrychlení 3-osým akcelerometrem a úhlová rychlost 3-osým gyroskopem.

This thesis is dealing with a fusion of position and motion data from different sources. Firstly, there is the fusion of different sources of the position measurement, e.g. different GNSS systems, or utilization of "signals of opportunity", which are not designated for position measurement. Secondly, a motion model was designed to approximate the motion of the navigated object and a Kalman filter for reducing the error of the position measurement by predicting the next state using the given motion model. Here the "signals of opportunity" are input into the process as time-varying motion quantities measured by the motion sensors. Another goal is to determine the position even if the main positioning source, usually a GNSS system, has a signal error or other failure, using the above-mentioned methods. The designed algorithm is simulated in the MATLAB environment and verified on a test dataset for post-processing that was measured in an earlier experiment with a navigation demonstrator. The input data are positions from a GPS receiver and the measured quantities from the motion sensors. Acceleration from a 3-axis accelerometer and angular velocity from a 3-axis gyroscope are measured.