Zusammenfassung
Ein Trägheitsnavigationssystems (INS) als Einzelsystem oder in Verbindung mit anderen Navigationssystemen wie dem Differentiellen Global Positioning System (DGPS) ist im letzten Jahrzehnt ein Standardwerkzeug in vielen Anwendungsbereichen geworden. Jedoch haben Fehlermodelle, die momentan in den meisten INS- oder INS/DGPS-Systemen Verwendung finden, Einschränkungen, die die Genauigkeit der Navigationslösung beeinträchtigen. Eine dieser Einschränkungen ist mit der Modellierung des stochastischen Fehlers im INS-Fehlermodell verknüpft. Für die meisten INS-Systeme der Navigationsklasse (Kreiseldrift 0.005–0.01 deg/h) wird normalerweise ein Gauß-Markov(GM)-Modell erster Ordnung verwendet. Dies gilt auch für billigere Systeme (Kreiseldrift 100–1000 deg/h), wenn auch manchmal ein Prozess mit weißem Rauschen anstelle des Gauß-Markov-Modells erster Ordnung implementiert ist. In dieser Veröffentlichung wird eine Übersicht der verschiedenen möglichen Zufallsprozesse für die stochastische Modellierung eines Trägheitsnavigationssystems vorgestellt. Das tatsächliche, zufällige Fehlerverhalten des INS-Sensors wird mit Hilfe der Autokorrelationssequenz (ACS) von Versuchsdaten bestimmt. Die Ergebnisse zeigen, dass keiner der allgemein verwendeten Zufallsprozesse geeignet ist, das Fehlerverhalten des INS-Sensors zu beschreiben. Um die geringe Genauigkeit von ACSs, die aus Versuchsdaten gewonnen werden, zu verdeutlichen, werden zusätzlich numerische Berechnungen durchgeführt. Darüber hinaus wird hier eine neue Methode zur Modellierung des zufälligen Fehlerverhaltens unter Verwendung von autoregressiven (AR) Modellen höherer Ordnung vorgestellt. Testergebnisse mit gemessenen INS-Daten zeigen, dass die Leistung des autoregressiven Prozesses um 40 % bis 70 % besser als jedes der bisher verwendeten ist.
Summary
In the last decade, the utilization of an Inertial Navigation System (INS) as a stand-alone system or integrated with other navigation systems such as a Differential Global Positioning System (DGPS) has become a standard tool in many applications. However, current INS error models that are used in most INS and INS/DGPS applications have some limitations, which in turn affect the overall navigation accuracy. One of these limitations is associated with the stochastic modeling of inertial sensor errors in the INS error model. For most of the navigation-grade INS systems (gyro drift 0.005–0.01 deg/h), a 1st order Gauss-Markov (GM) model is usually used. This is also true for low-cost inertial systems (gyro drift 100–1000 deg/h), although sometimes a white noise process instead of a 1st order GM model is implemented. In this Paper, an overview of the different possible random processes for stochastic modeling of inertial sensor errors is presented. The actual behavior of INS sensor random errors is shown by computing the actual Autocorrelation Sequence (ACS) of inertial experimental data. The results showed that none of the commonly used random processes is adequate for modeling INS sensor errors. In addition, numerical analyses are performed to illustrate the poor accuracy of ACSs that are obtained from inertial experimental data. The paper offers a new method to model the INS stochastic errors using Autoregressive (AR) models of orders higher than one. Using real INS data, the results showed that the performance of AR processes is better than the performance of any of the currently used processes by 40% to 70%.
