Разработка алгоритма непрерывного отслеживания объектов производства на базе рекурсивного фильтра Калмана
С.Н. Литвинов, С.А. Ладанов, М.В. Карелин
Вестник ИГЭУ, 2024 г. выпуск 6, сс. 91—98
Скачать PDF
Состояние вопроса. Для определения местоположения объекта обычно используются методы трилатерации и триангуляции. Для их реализации требуется решение системы нелинейных уравнений относительно неизвестных координат. С ростом количества отслеживаемых объектов существенно возрастает количество уравнений, что увеличивает сложность вычислений и время обновления текущих координат. В условиях промышленного производства из-за переотражений и зашумленности возрастает и погрешность вычислений, что может привести к нарушению выполнения производственных задач и снизить безопасность работы сотрудников. В связи с этим целью настоящего исследования является увеличение точности работы системы позиционирования в производственных условиях и сокращение времени обновления координат за счет создания алгоритма на основе рекурсивного фильтра Калмана, устойчивого к шумам в измерениях.
Материалы и методы. Использованы методы физического моделирования устройств системы определения местоположения объектов в условиях промышленного производства, выполненных на базе сверхширокополосных приемо-передатчиков. Для решения уравнений определения координат объекта использованы математические методы, в частности робастный рекурсивный фильтр Калмана с М-оценкой.
Результаты. Разработан робастный алгоритм непрерывного отслеживания объектов на основе фильтра Калмана с М-оценкой ошибок измерения и состояния с помощью предложенной модификации функции потерь Geman–McCluer, обеспечивающий субметровый уровень точности определения координат, обновляемых каждые 2–3 с. Разработаны прототипы устройств системы позиционирования на основе сверхширокополосных приемо-передатчиков. В результате математических и физических экспериментов установлено, что максимальная погрешность в отклонении координат составила 2,3 м, а минимальная – 0,1 м.
Выводы. Разработанный алгоритм эффективен для применения на производстве, в том числе и энергетическом. Он обладает устойчивостью к зашумленности измерений, обеспечивая необходимую точность позиционирования для линейной и нелинейной траекторий движения. Будущие исследования связаны с проверкой работы алгоритма при увеличении количества отслеживаемых объектов, а также с дальнейшим повышением точности его работы.
1. Бочкова Е.В., Авдеева Е.А. Автоматизация системы контроля учета времени сотрудников на примере торговой компании // Международный журнал гуманитарных и естественных наук. – 2020. – № 11-3(50). – С. 115–119. DOI: 10.24411/2500-1000-2020-11305.
2. Литвинов С.Н., Ладанов С.А., Шеремет Е.И. Особенности применения систем позиционирования на производстве // Динамика сложных систем. – 2023. – Т. 17, № 2. – С. 17–26. DOI: 10.18127/j19997493-202302-02.
3. Zhou T., Cheng Y. Positioning Algorithm of UWB based on TDOA Technology in Indoor Environment // 2021 11th International Conference on Information Technology in Medicine and Education (ITME). – Wuyishan, Fujian, China, 2021. – Р. 261–266. DOI: 10.1109/ITME53901.2021.00061.
4. Schroeer G. A Real-Time UWB Multi-Channel Indoor Positioning System for Industrial Scenarios // 2018 International Conference on Indoor Positioning and Indoor Navigation (IPIN). – Nantes, France, 2018. – Р. 1–5. DOI: 10.1109/IPIN.2018.8533792.
5. Impulse based range-gated UWB wireless transceiver IC in 90nm CMOS for medical sensing applications and communications / X. Wang, A. Dinh, D. Teng, et al. // 2009 IEEE International Conference on Ultra-Wideband. – Vancouver, BC, Canada, 2009. – P. 194–199. DOI: 10.1109/ICUWB.2009.5288772.
6. Zandian R., Witkowski U. Implementation Challenges of Synchronisation of UWB Nodes in TDoA Structures // 2018 International Conference on Indoor Positioning and Indoor Navigation (IPIN). – Nantes, France, 2018. – P. 1–8. DOI: 10.1109/IPIN.2018.8533796.
7. Плясовских П.П., Копосов А.В., Давиденко В.Ю. Использование метода TDOA для подтверждения достоверности информации радиовещательного автоматического зависимого наблюдения // Международный информационно-аналитический журнал «Crede Experto: транспорт, общество, образование, язык». – 2023, декабрь. – № 4(39). DOI: 10.51955/2312-1327_2023_4_50.
8. Yang L., Cao J., Yang W. TDOA location based on modified Newton method // 2016 IEEE 13th International Conference on Signal Processing (ICSP). – Chengdu, China, 2016. – Р. 1515–1518. DOI: 10.1109/ICSP.2016.7878079.
9. Fine Resolution Position Estimation Using Kalman Filtering / B. Sun, M. Yeary, H.H. Sigmarsson, J.W. McDaniel // 2019 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). – Auckland, New Zealand, 2019. – Р. 1–5. DOI: 10.1109/I2MTC.2019.8826857.
10. Cheng J.H., Yu P.P., Huang Y.R. Application of Improved Kalman Filter in Under-Ground Positioning System of Coal Mine // IEEE Transactions on Applied Superconductivity. – 2021, Nov. – Vol. 31, no. 8. – P. 1–4. DOI: 10.1109/TASC.2021.3101751.
11. Savage C.O., Cramer R.L., Schmitt H.A. TDOA Geolocation with the Unscented Kalman Filter // 2006 IEEE International Conference on Networking, Sensing and Control. – Ft. Lauderdale, FL, USA, 2006. – P. 602–606. DOI: 10.1109/ICNSC.2006.1673214.