ANÁLISE DO ERRO ASSOCIADO DA FUSÃO DE SENSORES INERCIAIS E GPS EM AMBIENTE SIMULADO PARA VALORES DIFERENTES DE COVARIÂNCIA PARA MEDIÇÃO

GPS AND INERTIAL SENSOR FUSION ERROR ANALYSIS FOR DIFFERENT VALUES OF COVARIANCE IN A SIMULATED ENVIRONMENT

Batista, Lucas Marins; Silva, Valéria Loureiro da

Article:

A aplicação de sensores cada vez mais precisos em sistema de localização autônoma é crescente em diversas áreas, podendo utilizar sensores inerciais como odometria, acelerômetros, giroscópios e GPS, porém cada uma tem uma incerteza associada na sua medição. Dessa forma, o objetivo desse artigo é utilizar o algoritmo de fusão de sensores, filtro de Kalman estendido, como um método para reduzir o erro na medição, configurando corretamente uma matriz de covariância do sistema. Como resultado, foi possível avaliar que quanto maiores os valores de covariância, mais rápido é possível obter uma resposta mais acurada caso alguns dos sensores perca sua importância, utilizando os dados obtidos e o modelo inercial apresentado.

The application of accurate inertial sensors for autonomous localization is increasing in several areas, such as wheels odometry, accelerometers, gyros and GPS, each one with their uncertainty in measurement. Thus, the objective of this paper is to use the sensor fusion algorithm, extended Kalman filter, as a method to reduce the measurement error configuring a system covariance matrix. As a result, it was possible to evaluate that the higher the covariance values, the faster it is possible to obtain a more accurate response if the sensors become less important and a higher error, comparing the obtained data and the presented inertial model.

Palavras-chave:

DOI: 10.5151/siintec2019-05

Referências bibliográficas

• [1] 1 SIEGWART, R.; NOURBAKHSH, I. Robotic Autonomy Summer Course”, In: Mobile Robot Localization. Carnegie Mellon University, 2002. Disponivel em: <http://www.cs.cmu.edu/~rasc/Download/AMRobots5.pdf>. Acesso em: 10 Agosto 2019.
• [2] 2 OPEN SOURCE ROBOTICS, F. About ROS and Open Source Robotics. Open Source Robotics, 2018. Disponivel em: <http://www.ros.org/about-ros>. Acesso em: 15 Julho 2019.
• [3] 3 LI, Q.; LI, R.; JI, K. Kalman filter and its application. Proc. - 8th Int. Conf. Intell. Networks Intell. Syst.. [S.l.]: ICINIS 2015. 2016. p. 74-77.
• [4] 4 LEE, D.; SON, S.; YANK, K. Sensor Fusion Localization System for Outdoor Mobile Robot. 2009 ICCAS-SICE. [S.l.]: [s.n.]. 2009. p. 1384-1387.
• [5] 5 LEVY, S. The Extended Kalman Filter: An Interactive Tutorial. SIMON D. LEVY - Computer Science Department, Washington and Lee University, 2018. Disponivel em: <https://simondlevy.academic.wlu.edu/kalman-tutorial/the-extended-kalman-filter-an-interactive-tutorial-for-non-experts-part-10/>. Acesso em: 02 Agosto 2019.
• [6] 6 ZDEŠAR, A. et al. Wheeled Mobile Robotics. 1ª. ed. Oxford: Butterworth-Heinemann, 2017.
• [7] 7 CLEAR PATH ROBOTICS. HUSKY - UNMANNED GROUND VEHICLE. Clear Path Robotics - Husky, 2018. Disponivel em: <https://clearpathrobotics.com/husky-unmanned-ground-vehicle-robot/>. Acesso em: 05 Agosto 2019.

Como citar:

Batista, Lucas Marins; Silva, Valéria Loureiro da; "ANÁLISE DO ERRO ASSOCIADO DA FUSÃO DE SENSORES INERCIAIS E GPS EM AMBIENTE SIMULADO PARA VALORES DIFERENTES DE COVARIÂNCIA PARA MEDIÇÃO", p-33-40. In: Anais do V Simpósio Internacional de Inovação e Tecnologia. São Paulo: Blucher, 2019.
ISSN 23577592, DOI 10.5151/siintec2019-05