ارائه یک روش مقاوم به خطای رانش برای تخمین موقعیت با حسگر واحد اندازه‌گیری اینرسی بر اساس فیلتر کالمن

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی مکاترونیک، دانشگاه تبریز، تبریز، ایران

2 دانشیار، گروه مهندسی مکاترونیک، دانشگاه تبریز، تبریز، ایران

3 استاد، گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

چکیده

تخمین موقعیت یک چالش کلیدی در بسیاری از کاربردها است که معمولاً از حسگرهای واحد اندازه‌گیری اینرسی (IMU) برای این منظور استفاده می‌شود. انتگرال‌گیری از شتاب تجربی اندازه‌گیری‌شده توسط IMUها، ممکن است منجر به سیگنالی شود که با گذشت زمان از مرتبه دو رشد می‌کند. این اثر در فرآیند تخمین موقعیت، رانش یا انحراف نام دارد. خطای رانش، در اندازه­گیری حرکت‌های متناوب بدنی مانند راه­رفتن یا لرزش دست نیز ایجاد می‌شود. در این مقاله، یک رویکرد نوآورانه را در جهت رفع این خطا در حرکت‌های متناوب برمبنای سفارشی‌کردن ماتریس انتقال حالت فیلتر سنتی و خطی کالمن پیشنهاد می­دهیم. این ایده، بر پایة دخالت‌دادن ضمنی فرض تناوب حرکت در معادلات سینماتیک و به­کارگیری بسط فوریه است که منجر به مقاوم‌تر شدن تخمین موقعیت در برابر رانش می‌شود. با شبیه­سازی عملکرد روش پیشنهادی بر روی سیگنال‌های تناوبی و نیز سیگنال تجربی که از لرزش دست اخذ شده است، درستی روش پیشنهادی را ارزیابی می­نماییم. نتایج نشان می‌دهند که این روش بدون هزینه محاسباتی اضافی، در مقابل رانش مقاوم بوده و از نظر سازگاری در مقایسه با پارامترهای سنتی فیلتر کالمن عملکرد بهتری از خود نشان می‌دهد.

کلیدواژه‌ها

موضوعات

مراجع

  • Kalman RE. A new approach to linear filtering and prediction problems. 1960;
  • Urrea C, Agramonte R. Kalman filter: historical overview and review of its use in robotics 60 years after its creation. J Sensors. 2021;2021:1–21.
  • Yamamoto H, Kitada H. Estimation of Molten Steel Surface Shape in Continuous Casting Mold using Kalman Filter. In: 2020 59th Annual Conference of the Society of Instrument and Control Engineers of Japan (SICE). IEEE; 2020. p. 546–51.
  • Chen L, Jin P, Yang J, Li Y, Song Y. Robust Kalman filter-based dynamic state estimation of natural gas pipeline networks. Math Probl Eng. 2021;2021:1–10.
  • Julier SJ, Uhlmann JK. New extension of the Kalman filter to nonlinear systems. In: Signal processing, sensor fusion, and target recognition VI. Spie; 1997. p. 182–93.
  • Julier SJ, Uhlmann JK. Unscented filtering and nonlinear estimation. Proc IEEE. 2004;92(3):401–22.
  • Zhang X, Lin H, Liu G, He B. Distributed Fuzzy Extended Kalman Filter for Multiagent Systems. Int J Control Autom Syst. 2023;21(5):1692–703.
  • Kumar M, Mondal S. A Fuzzy-based Adaptive Unscented Kalman Filter for State Estimation of Three-dimensional Target Tracking. Int J Control Autom Syst. 2023;21(11):3804–12.
  • Bishop AN, Del Moral P. On the mathematical theory of ensemble (linear-Gaussian) Kalman–Bucy filtering. Math Control Signals, Syst. 2023;35(4):835–903.
  • Bai Y, Yan B, Zhou C, Su T, Jin X. State of art on state estimation: Kalman filter driven by machine learning. Annu Rev Control [Internet]. 2023;56:100909. Available from: https://www.sciencedirect.com/science/article/pii/S1367578823000731
  • Ferreira GAS, Teixeira JLS, Rosso ALZ, de Sá AMFLM. On the classification of tremor signals into dyskinesia, Parkinsonian tremor, and Essential tremor by using machine learning techniques. Biomed Signal Process Control [Internet]. 2022;73:103430. Available from: https://www.sciencedirect.com/science/article/pii/S1746809421010272
  • Benrhmach G, Namir K, Namir A, Bouyaghroumni J. Nonlinear autoregressive neural network and extended Kalman filters for prediction of financial time series. J Appl Math. 2020;2020(1):5057801.
  • Partovibakhsh M, Liu G. An adaptive unscented Kalman filtering approach for online estimation of model parameters and state-of-charge of lithium-ion batteries for autonomous mobile robots. IEEE Trans Control Syst Technol. 2014;23(1):357–63.
  • Diaz M, Charbonnel PÉ, Chamoin L. A new Kalman filter approach for structural parameter tracking: Application to the monitoring of damaging structures tested on shaking-tables. Mech Syst Signal Process [Internet]. 2023;182:109529. Available from: https://www.sciencedirect.com/science/article/pii/S088832702200632X
  • Nooralishahi P, Loo CK, Shiung LW. Robust remote heart rate estimation from multiple asynchronous noisy channels using autoregressive model with Kalman filter. Biomed Signal Process Control [Internet]. 2019;47:366–79. Available from: https://www.sciencedirect.com/science/article/pii/S1746809418302453
  • Nonomura T, Shibata H, Takaki R. Extended-Kalman-filter-based dynamic mode decomposition for simultaneous system identification and denoising. PLoS One. 2019;14(2):e0209836.
  • Veluvolu KC, Ang WT. Estimation of Physiological Tremor from Accelerometers for Real-Time Applications. Vol. 11, Sensors. 2011. p. 3020–36.
  • Narasimhappa M, Mahindrakar AD, Guizilini VC, Terra MH, Sabat SL. MEMS-based IMU drift minimization: Sage Husa adaptive robust Kalman filtering. IEEE Sens J. 2019;20(1):250–60.
  • Gao L, Xia X, Zheng Z, Ma J. GNSS/IMU/LiDAR fusion for vehicle localization in urban driving environments within a consensus framework. Mech Syst Signal Process. 2023;205:110862.
  • Lee JU, Won JH. Adaptive Kalman Filter Based LiDAR aided GNSS/IMU Integrated Navigation System for High-Speed Autonomous Vehicles in Challenging Environments. In: Proceedings of the 2024 International Technical Meeting of The Institute of Navigation. 2024. p. 1095–102.
  • Noordin A, Basri MAM, Mohamed Z. Sensor fusion algorithm by complementary filter for attitude estimation of quadrotor with low-cost IMU. TELKOMNIKA (Telecommunication Comput Electron Control. 2018;16(2):868–75.
  • Won S hoon P, Melek WW, Golnaraghi F. A Kalman/particle filter-based position and orientation estimation method using a position sensor/inertial measurement unit hybrid system. IEEE Trans Ind Electron. 2009;57(5):1787–98.
  • Kim A, Golnaraghi MF. A quaternion-based orientation estimation algorithm using an inertial measurement unit. In: PLANS 2004 Position Location and Navigation Symposium (IEEE Cat No 04CH37556). IEEE; 2004. p. 268–72.
  • Seel T, Schauer T, Raisch J. Joint axis and position estimation from inertial measurement data by exploiting kinematic constraints. In: 2012 IEEE International Conference on Control Applications. IEEE; 2012. p. 45–9.
  • Sang H, Yang C, Liu F, Yun J, Jin G, Chen F. A zero phase adaptive fuzzy Kalman filter for physiological tremor suppression in robotically assisted minimally invasive surgery. Int J Med Robot Comput Assist Surg. 2016;12(4):658–69.
  • Riviere CN, Thakor N V. Modeling and canceling tremor in human-machine interfaces. IEEE Eng Med Biol Mag. 1996;15(3):29–36.
  • Zhou Y, Jenkins ME, Naish MD, Trejos AL. Characterization of parkinsonian hand tremor and validation of a high-order tremor estimator. IEEE Trans Neural Syst Rehabil Eng. 2018;26(9):1823–34.
  • Sayyed Noorani MR, Naiem S, Aghazadeh S. Tremor Suppression in Robot-Assisted Minimally Invasive Surgery using Kalman Filter Adapted by Fuzzy System and Reinforcement Learning. Trans Mach Intell [Internet]. 2024;7(2):72–81. Available from: https://www.tmachineintelligence.ir/article_187392.html
  • Becker BC, MacLachlan RA, Riviere CN. State estimation and feedforward tremor suppression for a handheld micromanipulator with a Kalman filter. In: 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE; 2011. p. 5160–5.
  • Štebe G, Krapež P, Podobnik J, Kogoj D. Trajectory tracking of an oscillating movement with a low-cost IMU in geodetic surveying applications. Measurement. 2021;176:109207.
  • نوابی, صالحی. پیاده‌سازی تجربی فیلتر مکمل با جدول بهره و مقایسه با فیلتر کالمن روی حسگرهای ارزان‌قیمت. مهندسی مکانیک دانشگاه تبریز. 2024;53(4):95–103.
  • http://jeti.uni-freiburg.de/path_tremor/
  • Timmer J, Lauk M, Häußler S, Radt V, Köster B, Hellwig B, et al. Cross-spectral analysis of tremor time series. Int J Bifurc chaos. 2000;10(11):2595–610.
مهندسی مکانیک دانشگاه تبریز
دوره 54، شماره 4 - شماره پیاپی 109
در حال تکمیل
بهمن 1403
صفحه 11-18

فایل ها

هم رسانی

ارجاع به این مقاله

آمار