Navigation von RPASAhorn 2014 Graz

Markus Dorn

Institut für Navigation

Nawi Graz, Technische Universität Graz

markus.dorn@tugraz.at

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

markus.dorn@tugraz.at

Danke für Ihre Aufmerksamkeit