navigation von rpas · navigation von rpas ahorn 2014 graz markus dorn institut für navigation...
TRANSCRIPT
Navigation von RPASAhorn 2014 Graz
Markus Dorn
Institut für Navigation
Nawi Graz, Technische Universität Graz
Einleitung
OMOSA (Open Modular/Open Source Avionics Architecture for RemotelyPiloted Aircraft Systems)
– BMVIT/FFG: Programmlinie TAKE OFF 2013
– Integration unbemannter Luftfahrzeuge in den zivilen Luftraum
– Zur Zeit keine Standardisierung für zivile RPAS (Wettbewerbsnachteil)
Konsortium– FH Joanneum (Institut für Luftfahrt / Aviation)
• Lead, Systemarchitektur
– TU Graz (Institut für Navigation)
• Navigationsmodul
– PIDSO
• Antennenspezialist
– Aerodyne Systems
• RPAS-Unternehmen
20.11.2014 2Markus Dorn
RPAS
RPAS (Remotely Piloted Aircraft Systems)
– RPAS beschreibt ganzes System mit unterschiedlichen Komponenten
RPAS im Projekt
– VTOL-RPAS
20.11.2014 3
Quelle: www.ajssupportltd.wordpress.com
© Aerodyne Systems
Markus Dorn
RPAS
RPAS in alpinen Gebieten
– Kartographie
– Wildtierbeobachtung und –zählung
– Luftbildaufnahmen (Wildbachbegehung)
– Katastrophen (Überflutungen, Brände, Sturmschäden)
– Suche nach Berg- und Lawinenopfer
20.11.2014 4
Quelle: www.drohnen.de - Firma senseFly
Markus Dorn
RPAS
Vergleich RPAS-Navigation und Navigation zu Land
– Bisher: Erfahrungen aus Applikationen an Land
– Dynamik
• Keine Stillstandsphasen und viele Bewegungsfreiheiten
– Vibrationen
– Abschattungen und magnetische Störeinflüsse
– Im Flug: Heading ≠ COG (course over ground)
– Größe, Gewicht und Preis der Sensoren
• Low-cost Sensorik
20.11.2014 5Markus Dorn
RPAS
Potentielle Sensoren– GNSS-Empfänger
• Position, Geschwindigkeit und COG (course over ground)
• Absolute Position, teilweise GNSS-Ausfälle
– Inertialsensoren
• Position, Geschwindigkeit und Attitude mit hoher Abtastrate
• Relative Position; systematische Fehler
– 3-Achs Magnetometer
• Magnetischer Yaw-Winkel
• Absolute Ausrichtung; Deviation und Deklination
– Barometer
• Höhe
• „absolute“ Höhe; Referenzwerte müssen bestimmt werden
– Höhenradar
• Höhe über Grund
• Wichtig für Landeanflug
• Absolute Höheninformation mithilfe eines DSM
– Bildgebende Sensoren
– Usw.
20.11.2014 6
Ellipsoid
DSM
Markus Dorn
Gründe für Sensorintegration
– Schätzung aller geforderten Parameter
– Steigerung der Genauigkeit gegenüber einzelner Sensoren
– Steigerung der Zuverlässigkeit (Ausfallsicherheit)
Implementierung: lose gekoppeltes Extended Kalman-Filter
Parameter: Position, Geschwindigkeit, Attitude, Inertialsensor-Offsets
Sensorintegration
20.11.2014 7Markus Dorn
Ergebnisse
Messaufbau
– Testfahrt mit Auto zum Test der Algorithmik
– Sensoren für RPAS-Betrieb
• Xsens MTi-G low-cost MEMS-IMU
– Inertialsensoren, GNSS, Magnetometer, Barometer
– Zeitsynchrone Messungen mit UTC-Zeitstempel
– Reiner GPS/EGNOS Empfänger (kein GLONASS, Galileo, …) -> SPP
– Referenzlösung für Untersuchungen
• iNav-RQH hochpräzisions-IMU mit Ring-Laser Gyro
• Javad Sigma Geodätischer 2-Frequenz Empfänger (GPS+Glonass) -> RTK
• Postprocessing-Lösung mit Inertial Explorer von Waypoint
• Eng gekoppeltes Kalman-Filter
• Vorwärts und rückwärts ausgewertet
20.11.2014 8Markus Dorn
Ergebnisse
Prozessierung der Magnetometermessungen
– Permanent auftretende Deviation (durch z.B. Karosserie)
• Magnetometer-Kalibrierung
• Standardabweichung: 2,6° nach der Kalibrierung
– Temporär auftretende Deviation (durch z.B. entgegenkommende PKWs)
• Ausreißerdetektion
– Deklination für lokale Anwendungen als konstanter Offset
20.11.2014 9
40 42 44 46 48 50 52 54 56 58 60
-150
-100
-50
0
50
100
150
Vergleich des kalibrierten Headings mit dem Referenz-Heading
Zeit [min]
Headin
g [
°]
Referenz
Kalibriert
40 42 44 46 48 50 52 54 56 58 60
-150
-100
-50
0
50
100
150
Vergleich des originalen Headings mit dem Referenz-Heading
Zeit [min]
Headin
g [
°]
Referenz
Input
Markus Dorn
Ergebnisse
Prozessierung der Barometermessungen
– Abhängigkeit von Referenzwerte (Referenztemperatur, -druck und –höhe)
– Ansätze:
• Verwendung der Standardatmosphäre
• Referenzstation mit Temperatursensor und Barometer
• Referenzwerte aus Alignment-Phase
• Barometer als Relativsensor
– Verwendeter Ansatz:
• Konstante Referenztemperatur
• Referenzdruck und –höhe in Kalman-Filter unter Verwendung der GPS Höhe schätzen
• Modellierung der Atmosphäre über diese Parameter (Änderungen des Wetters)
– Vorteil
• Signifikante Verbesserung der IMU-Höhe bei GNSS-Ausfällen
20.11.2014 10
0 10 20 30 40 50 60 70 80 90 100370
375
380
385
390
395
400
UTC-Zeit [min] + 11h 57minh [
m]
Vergleich der barometrischen Höhen
baro H (konstante Referenz)
GPS H
baro H (geschätzte Referenz)
Markus Dorn
Ergebnisse
Bias-Schätzung
– Bias-Schätzung in Down-Richtung am besten möglich
– Beschleunigungssensorbias entspricht systematischem Fehler
• Lineares Ansteigen der Geschwindigkeitsfehler
• Quadratisches Ansteigen der Positionsfehler
– Vorteil einer korrekten Schätzung
• Speziell bei low-cost Sensoren signifikant höhere Genauigkeit der geschätzten Parameter
20.11.2014 11
5 5.5 6 6.5 7 7.5 8 8.5 9 9.5 100
2
4
6
8
10
12
14
UTC-Zeit [min] + 11h 57min
x
[m
]
3D-Koordinatendifferenzen
mit Biasschätzung
ohne Biasschätzung
0 10 20 30 40 50 60 70 80 90 100-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
UTC-Zeit [min] + 11h 57min
v
up [
m/s
ec]
Differenz der Geschwindigkeit vup
zur Referenz
mit Biasschätzung
ohne Biasschätzung
Markus Dorn
0 10 20 30 40 50 60 70 80 90 100-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
UTC-Zeit [min] + 11h 57min
h
[m
]
Höhenfehler
0 10 20 30 40 50 60 70 80 90 1000
1
2
3
4
5
6
UTC-Zeit [min] + 11h 57min
x
[m
]
2D Positionsfehler
Ergebnisse
Integrierte Lösung - Positionsfehler
– Systematische Fehler der GPS Einzelpunktbestimmung
– Drift in Höhe vermutlich durch Änderung der Atmosphäre (Effekt trat nur in dieser Messung auf)
20.11.2014 12
Größe Lösung Standardabweichung [m]
2D-Position GNSS 1,383
Integriert 1,451
Höhe GNSS 2,989
Integriert 2,677
Markus Dorn
0 10 20 30 40 50 60 70 80 90 100-1.5
-1
-0.5
0
0.5
1
UTC-Zeit [min] + 11h 57min
v
[m
/sec]
Geschwindigkeitsfehler (Magnitude)
Ergebnisse
Integrierte Lösung – Geschwindigkeitsfehler
– Geschwindigkeit gegenüber GNSS-Lösung verbessert
20.11.2014 13
Größe Lösung Standardabweichung [m/sec]
Geschwindig-keit
GNSS 0,165
Integriert 0,127
Markus Dorn
0 10 20 30 40 50 60 70 80 90 100-1.5
-1
-0.5
0
0.5
1
UTC-Zeit [min] + 11h 57min
P
itch [
°]
Pitch Winkelfehler
0 10 20 30 40 50 60 70 80 90 100-1
-0.5
0
0.5
1
1.5
2
UTC-Zeit [min] + 11h 57min
R
oll
[°]
Roll Winkelfehler
Ergebnisse
Integrierte Lösung – Ausrichtungsfehler
– Roll und Pitch deutlich besser als Heading
– Limitierung der Heading-Genauigkeit durch Magnetometerunsicherheiten und Kreiseldrift
20.11.2014 14
0 10 20 30 40 50 60 70 80 90 100-10
-8
-6
-4
-2
0
2
4
6
8
10
UTC-Zeit [min] + 11h 57min
H
eadin
g [
°]
Heading Winkelfehler
Größe Standardabweichung [°]
Roll 0,293
Pitch 0,141
Heading 2,366
Markus Dorn
Zusammenfassung und Ausblick
Zusammenfassung
– Lose gekoppeltes Kalman-Filter zur Integration von low-cost Sensoren
– Stützung des INS-Headings durch Magnetometermessungen
• Berücksichtigung der Deviation und Deklination
– Barometrisch bestimmte Höhe durch Schätzung der Referenzwerte
– Verbesserung der Zuverlässigkeit gegenüber Lösung einzelner Sensoren
– Positionsgenauigkeit von 1-3 m
– Geschwindigkeitsgenauigkeit gegenüber GNSS-Lösung verbessert -> 0,13 m/sec
– Ausrichtung:
• Roll und Pitch: 0,1 – 0,3°
• Heading: 2,4°
Ausblick
– Test der Algorithmik mit RPAS-Daten
– Echtzeitbetrieb
– Dynamisches Modell mit Stellgrößen
20.11.2014 15
Quelle: www.ruhrnachrichten.de
Markus Dorn
Navigation von RPASAhorn 2014 Graz
Markus Dorn
Institut für Navigation
Nawi Graz, Technische Universität Graz
Danke für Ihre Aufmerksamkeit