Análise de erros para alinhamento em AHRS: Algoritmos QUEST e SAAM

Abstract

O alinhamento é uma fase que antecede a etapa de navegação, e é responsável pela determinação da orientação do veículo. Contudo, sensores inerciais de baixa qualidade não são recomendados para realizar o processo de alinhamento. Diante disso, alguns autores propõem a utilização de magnetômetros integrados aos sensores inerciais, os quais medem o vetor de densidade do campo magnético terrestre no alinhamento. Estes sistemas integrados são frequentemente conhecidos como Sistemas de Referência de Orientação e Rumo (AHRS). Este artigo investiga a análise de erros de dois algoritmos para alinhamento em AHRS, a saber, o ESTimador de QUaternion (QUEST) e o Algoritmo de Atitude Super Rápido para Acelerômetros e Magnetômetros (SAAM). Percebe-se, na literatura, que a maioria dos trabalhos que avaliam os erros de algoritmos de alinhamento se limitam a resultados numéricos, e não analíticos. Nesse sentido, este trabalho tem como principal contribuição, a determinação analítica dos erros residuais originados na matriz de transformação de coordenadas (erros de normalidade, ortogonalidade e alinhamento) e nos respectivos ângulos de Euler. Resultados simulados e experimentais são apresentados, corroborando com a análise de erros proposta, e evidenciando o desempenho, principais vantagens e desvantagens da utilização dos algoritmos QUEST e SAAM.

Static Attitude Determination Using Convolutional Neural Networks

“…To have confirmation that the chosen neural network model is the most appropriate one for the problem in question, a benchmark was carried out by using QUEST [39], an SVD-based method [40], the q-method, and ESOQ2. To do that, the twelve test cases defined above were used, but now, S samples were generated for each case and their respective measurement noises N (0, σ i ) were applied.…”