بررسی فیلترهای تخمین موقعیت در ناوبری: چالش ها و بهینه سازی در اتوپایلوت های متن باز

سامانه های ناوبری مبتنی بر تلفیق حسگرها نقش محوری در توسعه پهپادها، ربات های خودران و وسایل نقلیه خودکار ایفا می کنند. چالش اصلی این سامانه ها، تخمین دقیق و بلادرنگ موقعیت و وضعیت دینامیکی در حضور نویز، تاخیر یا خطاهای حسگرهایی مانند GPS و IMU است. این مطالعه با مرور نظام مند ۵۰ پژوهش، عملکرد فیلترهای تخمینی شامل فیلتر کالمن (KF)، فیلتر کالمن توسعه یافته (EKF)، فیلتر کالمن بدون بو (UKF) و فیلتر ذره ای (PF) را در کاربردهای ناوبری ارزیابی می کند. نتایج نشان می دهند که EKF به دلیل سادگی محاسباتی و مصرف کم منابع، به طور گسترده در اتوپایلوت های متن باز مانند PX۴ و ArduPilot به کار گرفته شده است. این فیلتر با تلفیق داده های حسگرهایی نظیر IMU، لیدار، UWB و مغناطیس سنج، دقت مکان یابی را در محیط های فاقد GPS، مانند فضاهای داخلی یا جنگل های متراکم، بهبود می بخشد. با این حال، محدودیت های EKF در مدیریت دینامیک های غیرخطی و نویز بالا، پژوهشگران را به استفاده از فیلترهای پیشرفته تر مانند UKF و PF سوق داده است. PF با بهره گیری از نمونه برداری تصادفی، عملکرد بهتری در سناریوهای پیچیده و فاقد GPS نشان داده و خطای مکان یابی را در مقایسه با EKF کاهش می دهد. پلتفرم های متن باز مانند PX۴ و Gazebo پیاده سازی عملی این الگوریتم ها را تسهیل کرده اند. این مطالعه بر ضرورت توسعه فیلترهای تطبیقی با دقت بالا و پایداری در شرایط چالش برانگیز تاکید دارد و ترکیب داده های حسگر با فناوری هایی مانند یادگیری ماشین و کنترل فازی را به عنوان جهت گیری کلیدی برای بهینه سازی سامانه های ناوبری در اتوپایلوت های متن باز شناسایی می کند.

کلیدواژه ها:

فیلترکالمن ، فیلترهای تخمین ، ناوبری دقیق ، ترکیب حسگرها ، تخمین موقعیت