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