Udvikling af et positioneringssystem: ved hjælp af dead reckoning, sensorintegration og Kalman filtrering

Abstract

Denne rapport omhandler problemformuleringen: "Hvorledes kan et dead reckoning navigationssystem, bestående af en IMU, kompas og afstande mellem GNSS positioner, designes til positionsbestemmelse i rørsystemer, og er det muligt at opnå en nøjagtighed på ±0,5 meter eller bedre?" Problemformuleringen besvares gennem udvikling af et navigationssystem, bestående af IMU, kompas og GNSS, samt en udviklet softwaredel (NS-1002). Herudfra er der foretaget positionsbestemmelse med IMU samt ved integration af et kompas og en afstand beregnet ud fra to positioner fra GNSS. Disse to metoder for positionsbestemmelse filtreres efter dataindsamling i et Kalman filter, hvorefter de endelige positioner udtegnes gennem NS-1002. NS-1002 er udviklet gennem Matlab, og som en del af projektet er der udviklet kode til kommunikation, indsamling, behandling og præsentation af data. NS-1002 er blevet testet, ved at køre forskellige ruter, som skulle simulere bevægelserne i et rørsystem under TV-inspektion, for på den vis at fastslå, hvilken nøjagtighed der kunne opnås ved integration af netop disse sensorer og valgte positioneringsmetoder. Generelt var det ikke muligt at opnå nøjagtighedskravene opstillet i problemformuleringen. Dette er forårsaget af IMU’en, hvori der ophobes store fejl over tid i positioneringssammenhæng. Dette skyldes, at IMU-observationerne ikke løbende opdateres med stabile orienteringsværdier. Disse værdier skal måles løbende under positionsbestemmelsen for at IMU-observationerne korrigeres korrekt i forhold til vandret, og en fornuftig nøjagtighed kan opnås. Positionsbestemmelsen vha. afstand og kurs, har vist sig betydeligt mere robust over tid, og var generelt den bestemmende faktor i Kalman filtreringen. Ud fra det udførte test, har det ikke været muligt, at overholde nøjagtighedskravet opstillet i problemformuleringen.

This report deals with the following problem formulation: "How can a dead reckoning navigation system consisting of an IMU, compass and distances between GNSS positions, be designed for positioning in pipelines, and is it possible to achieve an accuracy of ± 0.5 meters or better?" This problem formulation is answered by developing a navigation system, consisting of an IMU, compass and GNSS, and developed software (NS-1002). Two methods of positioning are used. One position is achieved by utilizing the IMU and the other position is achieved by a sensor integration of a compass and calculated distances between GNSS positions. Data from these two methods of positioning are then used in a Kalman filter, resulting in final positions of the covered path, which NS-1002 is capable of plotting afterwards. NS-1002 has been developed in Matlab, and features modules for: communication with instruments, collection of data, processing and presentation of data. NS-1002 has been tested by covering various paths, in order to simulate the movement in a piping system during TV inspection. This was done to determine the achievable accuracy from the sensor integration of the selected sensors and positioning method. The final conclusion of various analyses is that it was not possible to achieve the requirement accuracy stated in the problem formulation. This is caused by the IMU, which accumulates large errors over time in positioning context. This is due to the fact that observations from the IMU are not regularly updated with stable orientation values. These values should be measured continuously during the location determination to correct the IMU observations to local level, in order to achieve a reasonable accuracy. Position determination using distance and direction, has proved considerably more robust over time and were generally the deciding factor of the results achieved from Kalman filtering.

A master thesis from Aalborg University

Udvikling af et positioneringssystem: ved hjælp af dead reckoning, sensorintegration og Kalman filtrering

[Development of a positioning system: by means of dead reckoning, sensor integration and Kalman filtering]