Académique Documents
Professionnel Documents
Culture Documents
2110 ◦ / hr,
y su respectiva curva de Allan.
4.3.2.1 DVL
•
El mismo proceso utilizado para la reproducción de los electrones para los
girosc'opios se aplicó al DVL. Se determinó, a partir de la expresión (4.45), que β
= 0.2 Hz en ese caso.
• VX: Experimentalmente figura 4.36, se tiene que σVX = 0.362 mm / s. El ruido reproducido está en la figura
4.50.
Figura 4.50: Ruido que se reprodujo a VX por la suma de los ru'ıdos blancos y de random walk, con σ = 0.3332
mm / s, y su respectiva curva de Allan
• VY: Experimentalmente figura 4.38, se tiene que σVY = 1.38 mm / s. El ruido reproducido está en la figura 4.51
Capı́tulo 4. Processamento de medidas, modelo de erro dos sensores e propagação dos
erros de navegação 67
Figura 4.51: Ruido que se reprodujo para VY por la suma de los ru'ıdos blancos y de random walk, con σ =
1.0479 mm / s, y su respectiva curva de Allan.
• VZ: Experimentalmente figura 4.40, se tiene que σVZ = 0.457 mm / s. El ruido reproducido está en la figura 4.52.
Figura 4.52: Ruido reproducido para VOZ por la suma de los ru'ıdos blancos y de random walk, con σ = 0.2284
mm / s, y su respectiva curva de Allan.
Capı́tulo 5
68
Capı́tulo 5. Algoritmos de navegação e de propagação de erros: resultados 4
Es importante comentar que las pruebas de campo pueden ocurrir en la superficie del'agua, para la recepción de señal GPS, o con
el veıculo sumergido. Para el primer caso, la referencia de la estimación de posición por el GPS es importante para el análisis de
rendimiento del ritmo, pero produce resultados con dinámica diferente a los del caso real de utilización, AUV navega bajo el agua.
Para permanecer en la superficie, los profundores necesitan mantener el ve'ıculo con pitch θ ligeramente positivo, lo que
disminuye la velocidad de avance del ve'ıculo para una misma rotación del propulsor. Al mismo tiempo, sólo uno de los le- mes
está en contacto directo con la'agua y 'y capaz de actuar normalmente. También existe la presencia de ondas y viento, que pueden
perturbar el sistema. Por último, es importante recordar que la calidad de la estimación de la posición por el GPS está
directamente ligada a la continuidad,
de la señal.
la sincronización entre el receptor y la señal de uno o más sat'elites de la constelación visible, perjudicando su desempeño.
Los datos de los sensores a ser p'os-procesados fueron recolectados en campo, en el litoral norte del Estado de São Paulo. Ellos
fueron almacenados en una tarjeta de memoria embarcada, que fue descargada en un ordenador y procesado a través de la
herramienta computacional Matlab (MATHWORKS [2015]. En el caso de la versión en coordenadas geodésicas, también se utilizó
la plataforma Google Earth (GOOGLE [2016]) para correlacionar las informaciones de latitud L y longitud λ `las imágenes de
sat'elites de su región base de datos.
El algoritmo de navegación por dead reckoning, que estima la posición del ve'ıculo localmente y la expresada en la base n, se basa
en la expresión 3.8. Esquematicamente, tenemos:
Figura 5.2: Esquemático del procesamiento de los datos sensoriales y ejecución del algoritmo de navegación, en
su versión local.
Al mismo tiempo, el tratamiento de la velocidad del DVL 'es hecho por el m'etodo de la "pre-filtración" (sesión
4.1.3) en lugar de la "filtración p'os-procesada". Esta elección fue hecha con el propósito de predecir el
desempeño del algoritmo en su forma embarcada, dado que su objetivo Y auxiliar en la realización de misiones
en campo. A continuación, se seleccionaron 4 maniobras para ilustrar los resultados obtenidos.
Capı́tulo 5. Algoritmos de navegação e de propagação de erros: resultados 5
Figura 5.4: Maniobra 2 en línea recta con t ≈ 16 min y distancia recorrida ≈ 1 km.
Ambas maniobras arriba se realizaron en la superficie'ıcie del'agua para la recepción de señal GPS. Para
maniobras más largas, con el AUV sumergido, se tiene:
Figura 5.5: Maniobra 3 de corte de césped con t ≈ 49 min y distancia recorrida ≈ 3 543 m.
Capı́tulo 5. Algoritmos de navegação e de propagação de erros: resultados 71
Figura 5.6: Maniobra 4 de corte de césped con t ≈ 2 h 22 min y distancia recorrida ≈ 10 752 m.
El analisis local permite la visualización de la maniobra, pero es difıcil de evaluar su rendimiento sin la
comparación con el GPS. Así, a continuación se presentarán los resultados del algoritmo de navegación en su
versión geo-referenciada.
Figura 5.7: Esquemático del procesamiento de los datos sensoriales y ejecución del algoritmo de navegación, en
su versión geo-referenciada.
Figura 5.8: Maniobra 1 de giro con t ≈ 16 min con distancia recorrida ≈ 1 385 m, visualizada en la herramienta GOOGLE [2016]. En
amarillo el algoritmo de navegación, en negro el GPS y en rojo el error entre ambos. Errores: δrabs = 31 m y δr% = 2,2%.
Figura 5.9: Maniobra 2 en línea recta con t ≈ 39 min con distancia recorrida ≈ 3 457 m, visualizada en la herramienta
GOOGLE [2016]. En amarillo el algoritmo de navegación, en negro el GPS y en rojo el error entre ambos. Errores:
δrabs = 50 m y δr% = 1,4%.
Capı́tulo 5. Algoritmos de navegação e de propagação de erros: resultados 73
Figura 5.10: Maniobra 3 de corte de césped con t ≈ 49 min y distancia recorrida ≈ 3 543 m, visualizada en la
herramienta GOOGLE [2016]. En amarillo el algoritmo de navegación y en rojo el error de posición acumulados.
Errores: δrabs = 56 m y δr% = 1,6%.
Figura 5.11: Maniobra 4 de corte de césped con t ≈ 2 h 22 min y distancia recorrida ≈ 10 752 m, visualizada en la
herramienta GOOGLE [2016]. En amarillo el algoritmo de navegación y en rojo el error de posición acumulada.
Errores: δrabs = 358 m y δr% = 3.3%.
Capı́tulo 5. Algoritmos de navegação e de propagação de erros: resultados 74
En comparación con las trayectorias del algoritmo de navegación y la posición estimada por el GPS, es posible percibir visualmente
que, a pesar de los tratamientos para la mejora de los datos sensoriales, todavía existe un error de deriva, debido a las bias y
simplificaciones asumidas en el algoritmo. El error relativo de la posición permaneció por debajo del 5%. Los AUVs comerciales
trabajan con aproximadamente 0, 01% (PANISH y TAYLOR [2011] y HILLER et al. [2012]).
Para la validación del modelo de propagación de errores por espacio de estados aumentado, se realizaron simulaciones de
maniobras en línea recta y en U, que constituyen elementos b'asicos de una maniobra t 'Ipica del AUV en el plano horizontal, y el
"corte de césped", utilizado comúnmente para búsquedas y escaneos de una 'a la escogida. Las maniobras en el plano vertical no se
contemplan en este trabajo. Estas simulaciones fueron repetidas mil veces, de donde se obtuvo el error m'edio esperado y el cual
fue comparado al observado en ensayos en la raya ol'ımpica de la USP. Se consideró un error de factor de escala del 2%, levantado
por SILVA [2017], comparando la trayectoria de la integración de la velocidad `a suministrada por el GPS.
Figura 5.12: Mil simulación en línea recta con 1800 m de longitud, velocidad m'edia
vm = 1 m / s. Error de posición m'edio μ = 51, 71 m y desviación patrón σ = 17.14 m.
Los ensayos se realizaron con las mismas caracterısticas, donde la posición estimada por las ecuaciones de
navegación fue comparada al GPS. La exactitud del GPS recuperada por el parámetro HDOP también es indicada.
Figura 5.13: Ensayo en línea recta con 1800 m de longitud y velocidad m'edia de vm = 1 m / s para la
evaluación del modelo de propagación de errores de navegación.
Se observa que el error previsto por el modelo, de 51.71 m, condice con lo observado, de 50
m. Por la precisión del GPS en los puntos inicial y final, hay una tolerancia de 9 + 10 = 19
m. Se repitió este proceso para otras maniobras, con velocidad m'edia vm = 1 m / s y sumarizadas en la tabla abajo:
Tabla 5.1: Comparación entre el error previsto por el modelo y el error observado.
El modelo considera error de factor de escala para el DVL y los ru'ıdos de las mediciones de los sensores. Hay otras fuentes
de error que no se consideraron como desalineación en la fijación de los sensores en el ve'ıculo, no ortogonalidad de sus ejes,
impacto de los bias, de la temperatura, entre otros. Sin embargo, teniendo en cuenta la tolerancia del GPS y la desviación
estándar para el error esperado, es posible decir que el error observado está dentro de las predicciones del modelo para todas
las maniobras. Se espera que el tratamiento de las fuentes de error despreciadas en las simulaciones, o su caracterización por
medio del vector V discutido al final de la sesión 4.3.1.3, mejoren el rendimiento del modelo.
Con respecto a las maniobras en línea recta, se nota que el error no evoluciona de forma lineal con el tiempo, pero que,
conforme la misión avanza, más rápidamente el error se acumula.
En el caso de ser lineal, si para 1200 m la previsión de error 'y de 27 m, el correspondiente a una maniobra de 1800 m sería de
40.5 m, mientras que se obtuvo 51.7 m. En efecto, con el paso del tiempo, peor "y la estimación de actitud debido al problema de
deriva, lo que hace el algoritmo de navegación degradar cada vez más r'apido la estimación de posición del ve'. ıculo. Para las
maniobras en U, se nota que el error acumulado 'es relativamente menor que aquel para una misma distancia recorrida en línea
recta. Para la maniobra en U con 750 m de pierna, la distancia total recorrida 'y de al menos 1500 m y el error m'edio esperado
14.1 m, mientras que la maniobra en línea recta con 1200 m recorridos acumula en m'edia 27 m. Esto ocurre grataciones `el giro
del U, que cancela parte del error por simetría. Idealmente, si el error del DVL era constante, el rumbo desprovisto de error y las
piernas del U paralelas y de la misma longitud, la cancelación sería perfecta. Por lo tanto, todos estos motivos, informar el error de
posición sólo por el error relativo en relación con la distancia recorrida y poco especıf. Junto, es interesante indicar al menos el
tiempo de maniobra y cuál fue el tipo de maniobra realizado.
Figura 5.14: Mil simulación en corte de césped con 750 m de pierna, 8 m de separación entre ellas y velocidad
m'edia vm = 1.05 m / s. Error de posición m'edio al final de la maniobra μ = 73.41 m y desviación padrón σ =
56.36 m.
Es posible también analizar la evolución del error m'edio a lo largo de la maniobra, de forma arbitraria en los
mejores puntos para la emisión.
Figura 5.16: Evolución del error medio de posición, a lo largo de la maniobra de la figura (5.15). En rojo, la
desviación estándar, según se expresa 4.20
Se observa que las vueltas de nu'mero par tienen un incremento de error de positividad relativamente menor que
para las vueltas de nu'mero'ımpar inmediatamente anterior, según lo previsto. Es interesante notar que los puntos
de m'ınimo ocurren entre los puntos de giro, o sea, en el punto mediano de cada una de las piernas de la
trayectoria. A principio, sobre la base de elementos como la velocidad media de maniobra, el tiempo en cada
tramo, se puede escoger el momento de emer- namiento sobre la base del error estimado previamente. Al mismo
tiempo, otros requisitos especıficos de la misión que pueden influir en la elección del tipo y longitud de cada tramo
(una recta o una U), al mismo tiempo de las orientaciones para minimizarse nu'mero de emersiones, y cirt'erios
que privilegian ubicaciones más apropiadas para las emisiones. Los resultados anteriores permiten la producción
de tablas, como la siguiente, que puede ser un elemento de apoyo «la decisión sobre las características
cualitativas (tipo de maniobra) y cuantitativa (longitudes de tramos y tiempo sumergido antes de una nueva
emersión).
Maniobr longitud Velocidad Duraçio Error médio Desviacion
a (m) Média (m/s) n esperado (m) estandar
espaecie (m)
Reta 1000 1 17 min 21, 51 1.93
Reta 1200 1 20 min 27, 04 3, 77
Reta 1800 1 30 min 51, 71 17, 14
U 500 de perna, 8 entre 1 16 min 4, 81 3, 58
U 750 de perna, 8 entre 1 24 min 14, 14 10, 34
Tabla 5.3: Comparación entre el error previsto por el modelo y el error observado.
De esta forma, a través de un estudio previo de la maniobra a realizar, es posible evaluar numéricamente el valor del error
acumulado de posición en cada tramo de la misión y elegir el mejor momento para emers ~ ao. Embarcar el c'alculo de la
estimación del error de posición también es una posibilidad. En este caso, se imagina un diagrama de flujo de "pause /
resume", donde el ve'ıculo sube a la superficie para la corrección de la posición, se actualiza y se sumerge de nuevo para
completar la misión al ver la figura 5.17.
Capı́tulo 6
conclusión
A lo largo del trabajo, se percibe que el desarrollo y an'alise de un sistema de navegación para el vehıculo submarino
autónomo 'y una tarea que puede ser constantemente mejorada. Desde la caracterización y tratamiento de error de los
sensores, hasta el modelado de las ecuaciones de navegación y propagación de errores, cada cual tiene una importante
contribución en la estrategia, para la realización de las misiones de un AUV. Cuanto más fieles sean cada uno, mejor la
autonomía del ve'culo y éxito de la misión. Por eso, fue necesario elegir puntos de foco para las actividades. El trabajo se
inició por el estado del arte en exploración para AUVs y por el estudio de los sensores utilizados, con atención especial en
aquellos disponibles en el proyecto Pirajuba. A continuación, se implementaron las ecuaciones de navegación, que exigió el
procesamiento de medidas para garantizar su funcionamiento y la visualización con éxito de las trayectorias del ve'ıculo en
mapas geo- se hace referencia. Así, fue posible el an'alise de los resultados por medio de señal GPS, posibilitando el an'alise
de la segunda etapa del trabajo sobre la propagación de errores de navegación.
La utilización de la variancia de Allan para caracterizar el ru'ıdo de los girosc'opios de una UMI y una pr'atica bastante
consolidada. En el caso de los equipos que el Grupo de Sistemas Inerciales del Instituto de Investigaciones de la Marina fue
posible realizar debidamente los ensayos necesarios. La validación de estos parámetros, a su vez, pasó por la reconstitución
del ru'ıdo, utilizando para ello un modelo matemático correspondiente. El ru'ıdo de los girosc'opios fue debidamente
reconstituido, estando en consecuencia tanto con relación a la curva de variancia de Allan en cuanto a los resultados
derivados, como la propagación de los errores de navegación .
La utilización de la variancia de Allan para caracterizar el ruido de un DVL, a su vez, es una aplicación innovadora. A
diferencia de la UMI, el sensor en cuestión no posee ni un ambiente especıfico para la realización de los ensayos, ni muchas
referencias para guiar el trabajo. Aun así, se levantó no sólo una curva de variancia de Allan condizente con la teoría, como
también se reprodujo el ru'ıdo a partir de ella. En el caso, se identificó un ru'ıdo de random walk importante, cuyo
comportamiento en maniobras de larga duración puede no más representar la realidad. Sin embargo, la comparación entre los
resultados obtenidos y el observado, tanto en los ensayos como en la propagación de errores, corrobora para dar credibilidad
al trabajo realizado.
Fue posible prever el error de diferentes maniobras y compararlo al observado en ensayos con señal GPS. Incluso
considerando el ruido de los sensores y el error de factor de escala del DVL, el error observado en los ensayos estuvo dentro
del intervalo de previsión de error de localización por el algoritmo. El tratamiento de otras fuentes de error o sus modelos e
incorporación en el algoritmo pueden mejorar las previsiones.
Por último, se observó que el error acumulado de posición y la función no sólo de la distancia recorrida, sino también del
tiempo transcurrido, de la velocidad m'edia y del tipo de maniobra a si se realiza. Por eso, para arbitrar sobre el mejor
momento para emitir y corregir
de la posición del ve'ıculo, se justifica el estudio de la maniobra utilizando para ello una simulación con sus caracterısticas.
También es posible hacer un an'alise más simple a través de tablas con los constituyentes b'asicos de una maniobra, como
líneas rectas y "Us" de diferentes longitudes. La metodología propuesta para la estimación de los errores de localización
produjo resultados validados para componentes de maniobra t'ıpicos en el plano horizontal. El criterio de emisión evita de esta
forma la necesidad de un algoritmo complejo embarcado. El programador puede simular la maniobra previamente y arbitrar
sobre el punto de emersión, lo que garantiza mayor robustez y certeza para la misión.
De esta forma, este trabajo analizó puntos clave de un sistema de navegación para el vehıculo submarino autónomo, cubriendo
el estado del arte, el funcionamiento de los sensores de navegación, las ecuaciones de navegació n y proponiendo formas para
la evaluación de los resultados y la recolección de informaciones útiles para trabajos futuros. En este sentido, el uso de la
herramienta Go- ogle Earth y de GPS representaron un primer paso importante para el seguimiento del desarrollo del trabajo.
La caracterización de los errores de los sensores de navegación por el an'alise de la variancia de Allan y la ecuación para la
propagación de los errores de na- vención, a su vez, segundo paso en la búsqueda de mayor autonomía para el ve'culo. Como
resultado, fue posible estimar el error de deriva a lo largo de la maniobra y dar fundamento a un criterio de emersión que tiene
en cuenta no sólo el tiempo de la misión, sino tambiØn las especificaciones de la navegación y del formato de las trayectorias
de la misión. Al mismo tiempo, se propone ofrecer información para el desarrollo futuro de un filtro de Kalman para el
sistema, proponiendo valores num'ericos para la matriz de covariancia de los sensores.
.
1. Completar el modelo de las IMUs con el acoplamiento entre los errores de los girosc'opios y con el
modelo de error de los acelerómetros.
2. Con tal modelo más completo, desarrollar un filtro de Kalman para estimaciones de la actitud y
localización del AUV y evaluar la mejora en relación con la integración pura de los sensores.
81
Referências Bibliográficas
K. B. ANONSEN et al. The hugin auv terrain navigation module. Norwegian Defence
Research Establishment and Kongsberg Maritime Subsea AUV Department, 2013.
E.A. BARROS et al. Investigation of normal force and moment coefficients for an auv at
nonlinear angles of attack and sideslip range. IEEE Journal of Oceanic Engineering, Vol.
33. No. 4, 2008.
S. BONNET et al. Calibration methods for inertial and magnetic sensors. Elsevier, 2009.
K. R. BRITTING. Inertial Navigation Systems Analysis. John Wiley and Sons, 1971.
N. EL-SHEIMY et al. Analysis and modeling of inertial sensors using allan variance. IEEE
Transactions on Instrumentation and Measurement, 2008.
J. A. FARRELL. Aided Navigation - GPS with High Rate Sensors. The McGraw-Hill
Companies, 2008.
T.I. FOSSEN. Handbook of Marine Craft Hydrodynamics and Motion Control. Wiley,
2011.
C. GOODALL et al. The battle between mems and fogs for precision guidance. Analog
Devices, 2013.
M. GREWAL and A. ANDREWS. How good is your gyro? IEEE - Control Systems
Magazine, 2010.
82
P. D. GROVES. Principles of GNSS, Inertial, and Multisensor Integrated Navigation
Systems. Artech House, 2008.
S. HAN et al. Using allan variance to determine the caliration model of inertial sensors
for gps/ins integration. 6th International Symposium on Mobile Mapping Technology,
2009.
T. HILLER et al. Expanding the small auv missions envelope; longer, deeper and more
accurate. Teledyne, 2012.
H. HOU. Modeling Inertial Sensors Errors Using Allan Variance. University of Auburn,
2005.
IEEE. Ieee std 952-1997, standard specification format guide and test procedure for single-
axis interferometric fiber optic gyros. IEEE Aerospace and Electronic Systems Society,
1997.
IEEE. Ieee std 1293-1998, standard specification format guide and test procedure for li- near
single-axis, nongyroscopic accelerometers. IEEE Aerospace and Electronic Systems
Society, 1998.
IEEE. Ieee std 1431-2004, standard specification format guide and test procedure for coriolis
vibratory gyros. IEEE Aerospace and Electronic Systems Society, 2004.
IEEE. Ieee std 647-2006, standard specification format guide and test procedure for single-
axis laser gyros. IEEE Aerospace and Electronic Systems Society, 2006.
B. JALVING et al. Dvl velocity aiding in the hugin 1000 integrated inertial navigation
system. Kongsberg Maritime, 2004.
A.H. JAZWINSKI. Stochastic process and filtering theory. Mathematics in Science and
Engineering. Vol. 64, 1970.
NOAA. NOAA (National Oceanic and Atmospheric administration) - National Centers for
Environmental Information. http://www.ngdc.noaa.gov/geomag-web/#declination,
2016.
R. PANISH and M. TAYLOR. Achieving high navigation accuracy using inertial naviga-
tion systems in autonomous underwater vehicles. Bluefin Robotics Corporation, 2011.
82
L. S. SAMRAT et al. Characterization of fiber optics gyro and noise compensation using
discrete wavelet transform. Second international conference on emerging trends in en- gineering
and technology, 2009.
H. SHIN. Improvement of low cost ins/gps for land applications. Master’s thesis, University of
Calgary, 2001.
D. SIMON. Optimal State Estimation: Kalman, H infinity and Nonlinear Approaches. John
Wiley and Sons, 2006.
83