Resumen

Este artículo presenta una técnica de posicionamiento híbrida que combina algoritmos de Filtro de Kalman (KF) acoplados de forma estrecha y flexible para un vehículo de combate autónomo de ruedas múltiples. El algoritmo desarrollado es capaz de proporcionar información de posicionamiento precisa incluso si el número de satélites visibles cae por debajo del mínimo debido a los duros entornos de operación. Se consideraron dos modos de funcionamiento que cambian automáticamente en función del número de satélites visibles para corregir la deriva del INS. Además, se realiza una comparación de rendimiento entre quince y dieciocho estados KFs. Se realiza una simulación del algoritmo desarrollado, utilizando una caja de herramientas de navegación SATNAV y los datos recogidos de sensores reales montados en un vehículo terrestre. Los resultados experimentales validan la eficacia del algoritmo desarrollado.

1. INTRODUCCIÓN

En los últimos años, los vehículos autónomos se han convertido en activos cada vez más importantes en diversas operaciones civiles y militares. Dichos vehículos tienen la capacidad de funcionar y reaccionar a su entorno de forma autónoma [1-3]. En consecuencia, la construcción de vehículos de combate autónomos ha atraído una gran atención, mientras que los vehículos autónomos de carretera son los temas de investigación en auge [4, 5].

Los sensores de navegación más utilizados en los vehículos autónomos son el GPS y el INS. Estos sensores pueden utilizarse de forma individual o integrada [6-8]. Además, mediante el uso de una unidad de medición inercial (IMU) en vehículos autónomos, los datos de aceleración, rotación angular y actitud se proporcionan a altas velocidades de actualización. Por consiguiente, la velocidad y la posición del vehículo pueden estimarse fácilmente. Además, los sensores IMU no se ven afectados por el deslizamiento de los neumáticos del vehículo, como ocurre en la mayoría de las aplicaciones de vehículos terrestres. Por otro lado, el receptor GPS es un sensor absoluto de baja frecuencia que proporciona la información de estado a bajas tasas de actualización. En consecuencia, la integración de estos dos sensores mejorará la información de posición del vehículo autónomo durante una maniobra.

La combinación de datos procedentes de varios sensores se conoce como fusión de sensores. Esta combinación, o integración, mejora la precisión, que no es realizable cuando se emplea cada sensor individualmente.

• Materias:Vehículos autónomos Sistema de posicionamiento global (GPS) Redes de sensores
• Subjects:Autonomous vehicles Global positioning system (GPS) Sensor networks
• Palabras claves:Vehículos autónomos; Sistemas de navegación GPS/INS; Técnica de posicionamiento híbrido; Filtro de Kalman; Fusión de sensores
• Keywords:Autonomous vehicles; GPS/INS navigation systems; Hybrid positioning technique; Kalman filter; Sensor fusion