NÂNG CAO TÍNH KHẢ DỤNG CỦA HỆ DẪN ĐƯỜNG PHƯƠNG TIỆN CƠ GIỚI TÍCH HỢP MEMS - INS/GPS potx

PHẠM HẢI AN Viện tự động hóa KTQS – Bộ Quốc Phòng Tóm tắt: Trong hệ dẫn đường phương tiện cơ giới tích hợp MEMS INS/GPS, sai số ngẫu nhiên của các cảm biến vi cơ điện tử lớn, thêm vào

NÂNG CAO TÍNH KHẢ DỤNG CỦA HỆ DẪN ĐƯỜNG PHƯƠNG TIỆN

CƠ GIỚI TÍCH HỢP MEMS - INS/GPS DỰA TRÊN BỘ LỌC KALMAN

BẰNG HỆ SUY DIỄN NƠRON - MỜ THÍCH NGHI

PGS TS LÊ HÙNG LÂN

Bộ môn Điều khiển học Khoa Điện - Điện tử Trường Đại học Giao thông Vận tải

ThS PHẠM HẢI AN

Viện tự động hóa KTQS – Bộ Quốc Phòng

Tóm tắt: Trong hệ dẫn đường phương tiện cơ giới tích hợp MEMS INS/GPS, sai số

ngẫu nhiên của các cảm biến vi cơ điện tử lớn, thêm vào đó, trong các môi trường không

thuận lợi cho GPS như trong đô thị, điều kiện thời tiết xấu thì các số đo của GPS sẽ khó

có thể đạt độ chính xác cao do các ảnh hưởng của sai số đa đường, nhiễu môi trường và

thậm chí là mất tín hiệu khi đi qua hầm ngầm và toà nhà, Khi mất tín hiệu GPS, hệ dẫn

đường sẽ phụ thuộc hoàn toàn vào các số đo của INS Nếu thời gian mất tín hiệu GPS kéo

dài, hệ dẫn đường sẽ chịu sai số tích luỹ của các hằng số tích phân của INS Bài báo này

nhằm mục đích giải quyết vấn đề dự đoán và hiệu chỉnh sai số của hệ dẫn đường tích hợp

INS/GPS khi mất tín hiệu GPS dựa trên hệ suy diễn nơron - mờ thích nghi

ĐT

Summary: In the vehicle - navigating system integrated MEMS, random error in MEMS

sensors may be large In addition, in inconvenient environments such as bad climates in

metropolitan areas, it is very difficult to get measurements with high accuracy due to

multi-path error, environmental interference and even signal failure when passing through tunnel

and buildings,… When the failure of GPS signal occurs, the operation of the navigating

system depends completely on INS’s measuments If the failure remains long, the system will

be subjected to accumulated error of the INS’s integral constants This paper puts forward a

proposal to solve the problem of prediction and adjustment of error in the vehicle-navigating

system integrated INS/GPS, based on adaptive neuro-fuzzy inference system when a failure of

signal occurs

I ĐẶT VẤN ĐỀ

Có 4 yêu cầu chính được sử dụng để đánh giá hoạt động của một hệ thống dẫn đường

phương tiện cơ giới là: độ chính xác, tính toàn vẹn, liên tục và tính khả dụng Vấn đề đặt ra

là cả hai kỹ thuật dẫn đường quán tính INS và định vị vệ tinh GPS đều không thoả mãn các

yêu cầu trên khi hoạt động riêng lẻ GPS với giá thành rẻ và độ chính xác dài hạn nhưng tính khả dụng của nó sẽ giảm đáng kể khi thời tiết xấu, có vật cản và đặc biệt là trong vùng

đô thị Ngoài ra một hạn chế nữa của GPS là không xác định được các góc định hướng của phương tiện Trong khi đó, INS có khả năng hoạt động độc lập, cung cấp đầy đủ các tham

số dẫn đường có độ chính xác cao trong một giai đoạn ngắn nhưng lại gặp những lỗi nghiêm trọng do độ dịch, độ trôi và nhiễu của các cảm biến khi hoạt động trong một khoảng thời gian dài Một giải pháp phổ thông cho vấn đề này dùng bộ lọc Kalman tích hợp hai hệ thống trên để kết hợp đặc tính bù dữ liệu giữa chúng Bằng việc bù cho nhau về bản chất vật lý giữa INS và GPS, hệ thống tích hợp này hoạt động khá hiệu quả về mặt độ chính xác, tính toàn vẹn và khả dụng hơn một hệ riêng lẻ Tuy nhiên một khó khăn là phải phát triển thuật toán đủ mạnh để có thể giải quyết việc mất tín hiệu GPS trong các môi trường suy giảm tín hiệu

Để giải quyết bài toán khi mất tín hiệu GPS trong hệ dẫn đường tích hợp INS/GPS thì các phương pháp kinh điển không đáp ứng được yêu cầu đặt ra Ở đây, áp dụng một mô hình kết hợp giữa mạng nơron và logic mờ là một phương pháp khả quan Logic mờ có khả năng đưa ra được các đánh giá mềm dẻo với các sai số bất định cao của cảm biến vi cơ điện

tử kết hợp với quá trình huấn luyện và dự đoán của mạng nơron sẽ giúp chúng ta đánh giá được các sai số về vị trí của hệ dẫn đường tích hợp INS/GPS trong mọi thời điểm Ý tưởng chính của mô hình kết hợp nơron-mờ này là đưa ra các dự đoán sai số dẫn đường dựa trên các mẫu huấn luyện vào/ra cho trước trong quá trình dạy hoặc học Để duy trì hoạt động tốt của mô hình này, các dữ liệu huấn luyện phải bao trùm được các dải dữ liệu vào/ra và các quá trình động học của phương tiện cơ giới

ĐT

II HỆ SUY DIỄN NƠRON - MỜ THÍCH NGHI

2.1 Cấu trúc mạng

Hệ suy diễn nơron - mờ thích nghi (hình 1) là một trường hợp đặc biệt của mạng nơron lan truyền thẳng nhiều lớp với khả năng học có giám sát Mạng thích nghi này bao gồm cả các nút thích nghi và các nút cố định Đầu ra của mỗi nút thích nghi sẽ phụ thuộc vào các tham số gắn với nút đó, và các luật huấn luyện sẽ thay đổi các tham số này để có thể cực tiểu hoá được các sai số định trước Một nút vuông (nút thích nghi) sẽ có các tham số gắn với nút, trong khi nút tròn (nút cố định) sẽ không có tham số Tập các tham số của mạng thích nghi này là tập hợp các tập tham số của các nút thích nghi Ta có thể áp dụng thuật toán gradient để xác định các tham số của mạng thích nghi, tuy nhiên phương pháp này chậm và dễ bị rơi vào cực tiểu địa phương Ở đây chúng ta áp dụng một luật huấn luyện lai [3]kết hợp giữa phương pháp gradient và đánh giá bình phương tối thiểu (LSE) để xác định các tham số

ĐT

Điều chỉnh tham số cơ sở (Gradient giảm)

f

A1

A2

x

B1

B2

y

N

x y N

Σ

Π

2

w

2

w

Π

2

w

1

1

w

Cập nhật tham số kết quả (LSE)

1 1 1

2 2 2

2 1

2 2 1 1

f w f w

w w

f w f w f

+

= +

+

=

X

X

1

B

1

A

2

w

1

w

Y

2

1

w

Hình 1 Hệ suy diễn nơron-mờ thích nghi

2.2 Thuật toán huấn luyện lai

Ta có đầu ra của mạng là f: output=f rI,S),

ở đây Ir

: tập các biến đầu vào và S là tập các tham số

Nếu tồn tại một hàm H sao cho hàm kết hợp là tuyến tính với một vài phần tử của S,

thì các phần tử này có thể được xác định bằng phương pháp bình phương tối thiểu Cụ thể hơn,

nếu tập S có thể được chia thành 2 tập:

f Ho

2

S

trong đó: (⊕ là tổng trực tiếp) và Hof là tuyến tính với các phần tử trong S2, sau đó áp

dụng H vào công thức (1) ở trên ta được:

), S , I f H ) output (

o

Kết quả của (3) sẽ tuyến tính trong các phần tử của S 2 Bây giờ cho trước các phần tử của

S1, đưa dữ liệu huấn luyện P vào trong công thức (3) ta sẽ thu được một công thức ma trận dưới

trong đó: X là một vector chưa biết mà các phần tử của nó nằm trong S2 Cho S2 =M, kích thước của các ma trận A, X và B tương ứng là P x M, M x 1 và P x 1

Do P (số lượng cặp dữ liệu huấn luyện) thường lớn hơn M (số các tham số tuyến tính) nên công thức (4) là một hệ thừa phương trình và nói chung là sẽ không có một lời giải chính xác hay là duy nhất Thay vào đó, phương pháp đánh giá bình phương tối thiểu (LSE) của X, X* được tìm kiếm để cực tiểu sai số bình phương trong AX−B2 Đây là một bài toán chuẩn mà các dạng của nó là cơ sở trong rất nhiều các ứng dụng như bài toán hồi quy tuyến tính, bài toán lọc và thích nghi tín hiệu

Công thức phổ biến nhất để giải hệ thừa phương trình là sử dụng phép giả nghịch đảo của X

B A ) A A (

trong đó: AT: ma trận chuyển vị của A,

(ATA)-1AT : ma trận giả nghịch đảo của A nếu (ATA) là không đơn trị

Trong khi phương trình (5) ngắn gọn về mặt cú pháp, bù lại, nó tốn khá nhiều chi phí cho việc tính toán các phép nghịch đảo ma trận, hơn nữa, nó sẽ trở nên rất khó khăn trong việc xác định nếu (ATA) là đơn trị Để tránh việc chi phí tính toán quá cao hay các vấn đề về sự đơn trị, các công thức tuần tự được sử dụng để tính toán đánh giá bình phương tối thiểu của X Phương pháp tuần tự này rất hiệu quả, đặc biệt là khi M nhỏ, và ta có thể dễ dàng sửa đổi thành phiên bản online cho các hệ thống có các đặc trưng thay đổi

ĐT

Cụ thể, nếu vector hàng thứ i của ma trận A trong phương trình (4) được ký hiệu là và phần tử thứ i của vector B được ký hiệu là , thì X có thể được tính toán lặp sử dụng các công thức tuần tự sau [3];

T i

a

T i

b

1 P , , 1 , 0 i , a S a 1

S a a S S S

) X a b ( a S X X

1 i i

T 1 i i

T 1 i 1 i i i 1 i

i

T 1 i

T 1 i 1 i 1 i i 1 i

−

= +

−

=

− +

=

+ +

+ + +

+ + + + +

Ở đây: Si là ma trận hiệp biến và đánh giá bình phương tối thiểu X* sẽ bằng XP Điều kiện ban đầu để bắt đầu phương trình (6) là X0 = 0 và S0 = Iη , trong đó, η là một số dương lớn tùy ý, và I là ma trận đơn vị kích thước M x M

Bây giờ ta có thể kết hợp phương pháp gradient và phương pháp đánh giá bình phương tối thiểu để cập nhật các tham số cho mạng thích nghi Mỗi giai đoạn tính toán của thuật toán lai sẽ

là kết hợp của cả bước truyền tiến (LSE) và truyền ngược (Gradient)

III KẾT HỢP HỆ SUY DIỄN NƠRON-MỜ THÍCH NGHI VÀO HỆ TÍCH HỢP MEMS

INS/GPS DỰA TRÊN BỘ LỌC KALMAN

Hệ thống dẫn đường quán tính là hệ thống sử dụng các cảm biến quán tính (con quay và gia

tốc kế) để đưa ra các toạ độ dài và toạ độ góc của đối tượng chuyển động đối với hệ toạ độ dẫn

đường (n) Công thức động học sai số của hệ INS như sau [4]:

⎟⎟

⎟

⎟

⎠

⎞

⎜⎜

⎜

⎜

⎝

⎛

δω + δ

δ + δ + δ

− δ

× Ω + Ω

−

δ

=

⎟⎟

⎟

⎟

⎠

⎞

⎜⎜

⎜

⎜

⎝

⎛ δ δ

b n b n

n b n b b n b n n en

n ie

n 1

n n n

C v E

g f C f C v ) 2

(

v D A

v r

&

&

&

Ở đây: δ ,rn δ , vn : vector sai số vị trí, vận tốc và góc định hướng trong hệ toạ độ

dẫn đường n,

n

A δ

: sai số của vector trọng lực trong hệ toạ độ dẫn đường n,

n

g δ

b

f

δ , : vector độ dịch của gia tốc kế và độ trôi con quay trong hệ toạ độ gắn

liền b

b

δω

3.1 Mô hình hệ thống

Để có được các cặp mẫu dữ liệu vào/ra cho quá trình huấn luyện mạng thích nghi

nơron-mờ, hai mô hình xử lý của bộ lọc Kalman được áp dụng song song Trong mô hình đầu tiên, các

số đo từ GPS liên tục nhận được tại mọi thời điểm và như vậy ta luôn luôn thu được trạng thái

sai số Trong mô hình thứ hai, ta sẽ áp dụng việc mô phỏng mất tín hiệu GPS liên tục lần

lượt trong khoảng 50s và trạng thái sai số dự đoán là (trong chế độ quán tính độc lập),

tương ứng với thời điểm cập nhật trạng thái sai số thu được từ mô hình trên Hiệu số

tại mỗi chu kỳ được chuyển đến thuật toán huấn luyện của mạng thích nghi nơron-mờ như là các đầu ra mong muốn để cộng thêm vào các đầu vào tương ứng trong

cùng chu kỳ đó Để thực hiện huấn luyện trong khi dẫn đường thời gian thực, một cửa sổ trượt

dài 50s với các mẫu dữ liệu huấn luyện vào/ra được sử dụng để thích nghi tối ưu các tham số cơ

sở và tham số kết quả của hệ suy diễn nơron-mờ thích nghi Mỗi khi tín hiệu GPS bị mất, ví dụ

như khi qua cầu chui, toà nhà cao tầng hoặc khi thời tiết xấu, mô hình nơron-mờ sẽ chuyển sang

chế độ dự đoán cung cấp các hiệu chỉnh tới các trạng thái đánh giá vị trí được tính bởi

động cơ dự đoán của bộ lọc Kalman Toàn bộ các cơ chế và chức năng của hệ thống trong cả hai

mô hình huấn luyện và dự đoán được đưa ra trong hình 2 và hình 3 tương ứng

)

(

k

X+

) (' k

) ( k

X+ )

X X

X

k )

('

k

Δ

) X

k

Δ

−

ĐT

Mô hình mờ gồm 10 trạng thái đầu vào, bao gồm: Khoảng thời gian mất tín hiệu GPS, ba

số đo gia tốc fbx,fby,fbz của 3 gia tốc kế MEMS trong hệ INS, ba số đo vận tốc góc

b z

b y

b

xác định trong hệ toạ độ dẫn đường (được tính toán trực tiếp từ các thuật toán dẫn đường quán

tính [1], [2])

Đầu ra đã hiệu chỉnh

Đầu ra INS + sai số INS

+

ĐT

Hình 2 Sơ đồ hệ thống kết hợp hệ suy diễn nơron-mờ thích nghi với

bộ lọc Kalman đưa ra các cặp mẫu dữ liệu vào-ra cho quá trình huấn luyện

Do tham số đầu ra là sai số về vị trí theo 3 trục x, y, z nên ta xây dựng 03 hệ suy diễn mờ thích nghi dự đoán các sai số tương ứng Các tín hiệu đầu vào sẽ được mờ hoá thành 03 tập mờ

là Lớn, Nhỏ và TB Đầu ra là các giá trị tuyến tính hoá theo dạng hàm , fx f ,y dưới đây: fz

x 9 8 7

b z 6

b y 5

b x 4

b z 3

b y 2

b x 1 x

r m m m m

m m

f m f m f m f

+ ψ + θ + φ + ω +

ω + ω + +

+

=

y 9 8 7

b z 6

b y 5

b x 4

b z 3

b y 2

b x 1 y

r m m m m

m m

f m f m f m f

+ ψ + θ + φ + ω +

ω + ω + +

+

=

z 9 8 7

b z 6

b y 5

b x 4

b z 3

b y 2

b x 1 z

r m m m m

m m

f m f m f m f

+ ψ + θ + φ + ω +

ω + ω + +

+

=

(10)

với: , fx f ,y : các đầu ra tuyến tính theo trục x, y, z, fz

: các tham số kết quả theo trục x, y, z với i = 1, ,9

zi yi

m

rx, ry, rz: tham số kết quả theo trục x, y, z

+

-

Sai số INS (dự đoán)

) ( K

X+

INS

n

thích nghi

(huấn luyện)

b

+

Đầu ra mong muốn của quá trình huấn luyện hệ suy diễn nơron-mờ

Kalman cập nhật

n n n

b INS

r

Thuật toán DĐQT

GPS

n GPS

n

+

-) ( K

X−

Kalman

Dự đoán

Đầu ra đã hiểu chỉnh

Đầu ra INS + sai số INS

+

ĐT

Hình 3 Sơ đồ hệ thống kết hợp hệ suy diễn nơron - mờ thích nghi với bộ lọc Kalman

đưa ra các hiệu chỉnh về vị trí (mode dự đoán)

3.2 Kết quả kiểm tra thực nghiệm

Để khảo sát hiệu quả của hệ suy diễn nơron-mờ thích nghi đề xuất, các tác giả đã tiến hành

kiểm tra đánh giá trên tuyến đường Hoàng Quốc Việt bằng xe Uoat với các thiết bị dẫn đường

quán tính ISU - BP3010 và thiết bị định vị GPS HI - 204E Các mẫu dữ liệu vào-ra theo các trục

x, y, z sẽ được lấy ra trong thời gian 50s khi có tín hiệu GPS Các dữ liệu này sẽ được chuyển

tới hệ suy diễn nơron-mờ thích nghi để huấn luyện mạng Sau khi kết thúc quá trình huấn luyện

ta sẽ thu được một bộ các giá trị hàm thuộc đầu vào và các tham số kết quả đầu ra tương ứng

Áp dụng vào mô hình ta sẽ mô phỏng quá trình mất dữ liệu GPS trong khoảng thời gian là 50s

(t = 200s - 250s) Hình 4 chỉ ra các đánh giá sai số vị trí khi mất tín hiệu GPS trước và sau khi

áp dụng thuật toán nơron-mờ thích nghi Khi mất tín hiệu GPS, nếu hệ thống chỉ dựa trên các

giá trị dự đoán của bộ lọc Kalman thì sai số vị trí sẽ tăng nhanh theo thời gian và đạt giá trị cực

đại tại cuối của chu kỳ mất tín hiệu GPS Điều này là do sai số vị trí bị tích luỹ theo thời gian

Trong khi đó nếu ta áp dụng hệ suy diễn nơron mờ thích nghi, các sai số vị trí sẽ không bị ảnh

hưởng bởi yếu tố thời gian, và do vậy hạn chế được sai số tích luỹ của INS

a Đánh giá bằng bộ lọc Kalman khi có tín hiệu GPS

Hình 4 Các kết quả đánh giá sai số vị trí

Sai số INS (dự đoán)

Sai số rn

+

-

) ( K ) (

INS

n

A

Sai số vị trí (hiệu chỉnh) Nơron - mờ

thích nghi (dự đoán)

b

+

Kalman

dự đoán

Sai số vị trí dự đoán của hệ suy

diễn nơron - mờ thích nghi

Kalman cập nhật

n b

n INS

n

r Thuật toán DĐQT

b Đánh giá bằng bộ lọc Kalman khi không có tín hiệu GPS

c Đánh giá bằng hệ suy diễn nơron - mờ thích nghi khi không có GPS

Hình 4 (Tiếp)

IV KẾT LUẬN

ĐT

Qua kiểm tra kết quả trên dữ liệu hiện trường, hệ suy diễn nơron-mờ thích nghi đã đưa ra được các dự đoán sai số vị trí khi mất tín hiệu GPS Kết hợp bộ lọc Kalman với hệ suy diễn nơron-mờ giúp cho các đánh giá sai số vị trí không bị tăng nhanh theo thời gian Tuy nhiên nếu

hệ tích hợp INS/GPS mất tín hiệu GPS trong một thời gian dài thì hệ suy diễn nơron-mờ này sẽ không hoạt động hiệu quả nữa Nguyên nhân ở đây là quá trình dự đoán của hệ nơron-mờ phụ thuộc rất nhiều vào cặp mẫu dữ liệu huấn luyện vào-ra Thời gian mô phỏng mất dữ liệu tăng sẽ kéo theo thời gian huấn luyện để hệ hội tụ kéo dài, dẫn đến giảm khả năng áp dụng thực tế

Tài liệu tham khảo

[1] Nguyễn Văn Chúc (2008) “Nghiên cứu tích hợp hệ thống dẫn đường quán tính trên cơ sở cảm biến vi

cơ điện tử phục vụ điều khiển dẫn đường phương tiện chuyển động.”, Đề tài cấp Trung tâm, Viện Tên lửa

- Trung tâm KHKT&CNQS

[2] Lê Hùng Lân, Nguyễn Quang Hùng, Phạm Hải An (2008) “Tích hợp dữ liệu đa cảm biến trong đánh

giá hướng chuyển động phương tiện giao thông mặt đất dựa trên các cảm biến quán tính sử dụng hệ chuyên gia mờ”, Tuyển tập các báo cáo khoa học Trung tâm KHKT&CNQS 2008

[3] JANG, J-S R, C-T SUN and E MIZUTANI (1997) “Neuro-Fuzzy and Soft Computing”, Upper

Saddle River, NJ: Prentice Hall

[4] MOHINDER S GREWAL, LAWRENCE R WEILL (2007) “Global Positioning Systems Inertial

Navigation and Integration 2nd Edition”, A John Wiley & Sons, Inc., Publication

[5] SALYCHEV (1998) “Inertial Systems in Navigation and Geophysics”, Bauman MSTU Press♦