Integracao GPSINS

Fazer download em pdf ou txt
Fazer download em pdf ou txt
Você está na página 1de 48

UNIVERSIDADE FEDERAL DE UBERLÂNDIA

FACULDADE DE ENGENHARIA MECÂNICA

LUCAS BOAVENTURA PEREIRA

Integração GPS/INS baseada em filtro de Kalman para navegação

Uberlândia
2022
LUCAS BOAVENTURA PEREIRA

Integração GPS/INS baseada em filtro de Kalman para navegação

Projeto de Fim de Curso apresentado à


Faculdade de Engenharia Mecânica da
Universidade Federal de Uberlândia como
requisito parcial para obtenção do título de
bacharel em Engenharia Mecatrônica.

Orientador: Pedro Augusto Queiroz de Assis

Uberlândia
2022
LUCAS BOAVENTURA PEREIRA

Integração GPS/INS baseada em filtro de Kalman para navegação

Projeto de Fim de Curso apresentado à


Faculdade de Engenharia Mecânica da
Universidade Federal de Uberlândia como
requisito parcial para obtenção do título de
bacharel em Engenharia Mecatrônica.

Uberlândia, 11/04/2022

Banca Examinadora:

_________________________________________________
Prof. Dr. Pedro Augusto Queiroz de Assis – FEMEC/UFU

_________________________________________________
Prof. Dr. José Jean-Paul Zanlucchi de Souza Tavares – FEMEC/UFU

_________________________________________________
Prof. Dr. Roberto de Souza Martins – FEMEC/UFU
Dedico este trabalho à minha família, aos
meus amigos e a todos que me apoiaram ao
longo dessa jornada.
AGRADECIMENTOS

Agradeço à Deus pelo dom da vida, por todas as bençãos recebidas e por todos os
obstáculos que me fizeram amadurecer e evoluir.
Aos meus pais, Cláudio e Márcia, pelo amor incondicional. Por terem me incentivado a
enfrentar essa jornada acadêmica e terem se mantidos sempre próximos ao longo do processo,
me proporcionado tudo para que fosse possível eu completá-la.
À minha irmã, Clara, por ser uma pessoa com quem eu sempre pude contar, por me
aconselhar e encorajar durante os anos em que moramos juntos em Uberlândia.
À minha namorada, Viviane, por todo amor, demonstrado dia a dia em forma de
companheirismo, incentivo, escuta e carinho, tornando minha vida mais suave.
Ao meu cunhado, Felipe, pelos ensinamentos transmitidos e pelos insights que me
possibilitou ter sobre diversos assuntos de Engenharia, seja em conversas despretensiosas ou
durante as oportunidades de iniciação científica e estágio que me proporcionou.
Aos meus amigos, que me acompanharam ao longo dessa caminhada, compartilhando
as dificuldades, superações e alegrias e que permanecem comigo até hoje.
Aos meus professores, que compartilharam seus conhecimentos e que foram essenciais
em minha formação.
Ao meu orientador, Pedro Augusto Queiroz de Assis, por ter aceitado minha proposta
de tema para esse trabalho e ter encarado os desafios junto comigo. Além disso, por ser para
mim um exemplo de professor: ótima didática e enorme entusiasmo e comprometimento no que
faz.
Ao professor Nassau de Nogueira Nardez por ter realizado as medições com o GPS de
precisão para mim, sempre com grande disponibilidade em ajudar.
“Faça o teu melhor na condição que você tem,
enquanto não tem condições melhores,
para fazer melhor ainda.”
Mário Sérgio Cortella
RESUMO

Navegação significa determinar a posição e a atitude de um corpo móvel em relação a um


referencial ao longo do tempo. As grandezas posição, velocidade e atitude, que permitem
georreferenciar esse corpo, são chamadas de estados de navegação. Já a combinação de sensores
que possibilita a determinação dos estados de navegação é conhecida como sistema de
navegação. A integração de sistemas de navegação busca superar a qualidade da estimativa dos
estados em relação àquela obtida com qualquer um dos sistemas operando isoladamente. Para
isso, tipicamente combinam-se sistemas com características complementares. Neste contexto,
o presente trabalho envolveu o desenvolvimento de um sistema de navegação utilizando a
integração GPS/INS por meio de dois filtros de Kalman. O primeiro é usado para estimativa de
atitude, utilizando as leituras do acelerômetro, giroscópio e magnetômetro. Já o segundo é
empregado para estimar a posição a partir da medição do GPS e da saída do acelerômetro. A
integração GPS/INS se beneficia dos pequenos erros de estimativa do INS a curto prazo e do
fato das medições do GPS não divergirem ao longo do tempo. Para validar o sistema
implementado, definiu-se uma trajetória de referência, a partir de quatro pontos que foram
definidos utilizando um GPS de precisão. Tal validação foi realizada em simulação e a partir
de dados experimentais. Com os dados simulados a integração GPS/INS apresentou um
resultado melhor que a medição do GPS isoladamente. Mais precisamente, o erro médio e a
variância do erro dos valores estimados pelos filtros foram menores que os dos valores medidos.
No entanto, no teste com dados reais os resultados do sistema de navegação desenvolvido
ficaram abaixo do esperado. Isso ocorreu devido ao alto nível de ruídos do acelerômetro de
baixo custo empregado, alinhado à dupla integração feita no modelo dinâmico do filtro de
Kalman para estimativa de posição.

Palavras-chave: Sistema de Navegação Integrado. Filtro de Kalman. GPS. INS. Estimativa de


atitude. Estimativa de posição.
ABSTRACT

Navigation means determining position and attitude of a moving body in relation to a reference
over time. The quantities position, velocity and attitude, which allow this body to be
georeferenced, are called navigation states. The combination of sensors that makes it possible
to determine navigation states is known as a navigation system. The integration of navigation
systems seeks to overcome the quality of states estimation in relation to that obtained with any
of the systems operating in isolation. For this, systems with complementary characteristics are
typically combined. In this context, the present paper involved the development of a navigation
system using GPS/INS integration through two Kalman filters. The first is used for attitude
estimation, using accelerometer, gyroscope and magnetometer readings. The second is used to
estimate the position from the GPS measurement and the accelerometer output. GPS/INS
integration benefits from small short-term INS estimation errors and the fact that GPS
measurements do not diverge over time. To validate the implemented system, a reference
trajectory was defined, from four points that were defined using a precision GPS. Such
validation was performed in simulation and from experimental data. With the simulated data,
the GPS/INS integration presented a better result than the GPS measurement alone. More
precisely, the mean error and the error variance of the values estimated by the filters were
smaller than those of the measured values. However, in the test with real data, the results of the
developed navigation system were below expectations. This was due to the high noise level of
the low-cost accelerometer used, in line with the double integration performed in the dynamic
model of the Kalman filter for position estimation.

Keywords: Integrated Navigation System. Kalman filter. GPS. INS Attitude estimation.
Position estimation.
LISTA DE ILUSTRAÇÕES

Figura 1 - ECEF frame em relação ao referencial inercial ....................................................... 12


Figura 2 - Referenciais ECEF e de navegação (ECEF frame e n-frame) ................................. 15
Figura 3 - Referencial do corpo (b-frame)................................................................................ 16
Figura 4 - Ângulos de Euler ..................................................................................................... 16
Figura 5 - Diagrama do filtro de Kalman para estimativa de atitude (FKA)............................ 19
Figura 6 - Diagrama da combinação entre filtros de Kalman para estimativa de posição ....... 23
Figura 7 - Pontos utilizados para definição da trajetória de referência .................................... 28
Figura 8 - Ângulo de rolagem estimado pelo FKA (𝜙) a partir de dados simulados. Também
são mostrados os dados reais (𝜙) e medidos (𝜙𝑎𝑐𝑐 ). ................................................................ 30
Figura 9 - Ângulo de arfagem estimado pelo FKA (𝜃) a partir de dados simulados. Também são
mostrados os dados reais (𝜃) e medidos (𝜃𝑎𝑐𝑐 ). ....................................................................... 31
Figura 10 - Ângulo de guinada estimado pelo FKA (𝜓) a partir de dados simulados. Também
são mostrados os dados reais (𝜓) e medidos (𝜓𝑚𝑎𝑔 ). .............................................................. 31
Figura 11 - Posição estimada pelo FKP (𝜆 𝑣𝑠 𝜑) a partir de dados simulados. Também são
mostrados os dados reais (𝜆 𝑣𝑠 𝜑) e medidos (𝜆𝐺𝑃𝑆 𝑣𝑠 𝜑𝐺𝑃𝑆 ). ................................................ 32
Figura 12 - Montagem dos sensores para coleta dos dados ...................................................... 34
Figura 13 - Atitude estimada pelo FKA a partir de dados reais ............................................... 35
Figura 14 - Posição estimada pelo FKP a partir de dados reais ............................................... 35
Figura 15 - Operação completa do filtro de Kalman ................................................................ 41
Figura 16 - Leituras do magnetômetro ao se realizar movimentos em variados padrões de oito
antes da calibração .................................................................................................................... 42
Figura 17 - Leituras do magnetômetro ao se realizar movimentos em variados padrões de oito
após a calibração ....................................................................................................................... 43
Figura 18 - Espectro de frequência do eixo 𝑥 do acelerômetro antes e depois da aplicação do
filtro passa-baixas ..................................................................................................................... 44
Figura 19 - Sinal do eixo 𝑥 do acelerômetro antes e depois da aplicação do filtro passa-baixas
.................................................................................................................................................. 45
LISTA DE TABELAS

Tabela 1 - Erro médio e variância do erro das atitudes medida e estimada ............................. 33
Tabela 2 - Erro médio e variância do erro das posições medida e estimada ............................ 33
LISTA DE ABREVIATURAS E SIGLAS

GPS Global Positioning System


ECEF Earth-centered, Earth-fixed
INS Inertial Navigation System
IMU Inertial Measurement Unit
NED north-east-down
FKA Filtro de Kalman para estimativa de atitude
FKP Filtro de Kalman para estimativa de posição
SUMÁRIO

1 INTRODUÇÃO .................................................................................................................. 12
2 ESTIMATIVA DE ATITUDE .......................................................................................... 15
2.1 Definição de referenciais ............................................................................................ 15
2.2 Definição dos ângulos de Euler .................................................................................. 16
2.3 Filtro de Kalman para estimativa de atitude ........................................................... 17
3 ESTIMATIVA DE POSIÇÃO .......................................................................................... 23
4 RESULTADOS E DISCUSSÃO ....................................................................................... 27
4.1 Resultados de simulação............................................................................................. 29
4.2 Resultados experimentais ........................................................................................... 33
5 CONCLUSÕES .................................................................................................................. 37
6 REFERÊNCIAS ................................................................................................................. 38
12

1 INTRODUÇÃO

A navegação de um corpo móvel consiste em determinar a posição e a atitude (ou


orientação) desse objeto em relação a um referencial ao longo do tempo. As grandezas posição,
velocidade e atitude, como variáveis em função do tempo, são conhecidas como estados de
navegação, uma vez que contêm as informações necessárias para georreferenciar um corpo
móvel. Um sistema de navegação é a combinação adequada de sensores que possibilita a
determinação dos estados de navegação (MARQUES FILHO, 2005).
O Sistema de Posicionamento Global, mais conhecido como GPS (Global Positioning
System), é um sistema de navegação por satélite que foi desenvolvido com o intuito de ser
utilizado pelas forças armadas americanas. Posteriormente, tal sistema passou a ser adotado por
diversos segmentos da comunidade civil, tais como: navegação aérea e marítima, controle de
frotas de veículos e agricultura de precisão (MONICO, 2000). Utilizando um receptor GPS é
possível obter informações de latitude, longitude e altura em relação ao sistema de referência
World Geodetic System 1984 (WGS 84) (DRAKE, 2002), que é um referencial Earth-centered,
Earth-fixed (ECEF frame), isto é, tem a origem no centro da Terra, mas é fixo ao planeta, logo
gira em conjunto com a Terra (NIELSEN et al., 2008). A Figura 1 mostra o ECEF frame (eixos
com subscrito 𝑒), que se move com uma velocidade angular 𝜔𝑒 em relação ao referencial
inercial (eixos com subscrito 𝑖), sendo esse fixo.

Figura 1 - ECEF frame em relação ao referencial inercial

Fonte: Adaptado de Lammas; Sammut e He (2010).


13

Receptores GPS funcionam por meio da recepção de sinais de rádio emitidos por
satélites. Os sinais envolvidos na comunicação podem sofrer interferências do meio no qual
esses sinais se propagam, sendo distorcidos por fatores como condições atmosféricas adversas
e elementos presentes no meio de propagação, como edificações ou túneis (PISSARDINI et al.,
2017). Mais ainda, tipicamente as informações do GPS possuem uma baixa frequência de
atualização (por volta de 1 Hz) (FAKHARIAN; GUSTAFSSON; MEHRFAM, 2011). Essas
características podem impedir o emprego do GPS para navegação em determinadas situações.
Por exemplo, se for necessária uma frequência de atualização elevada para fins de controle.
Como alternativa pode-se adotar o sistema de navegação inercial ou INS (Inertial
Navigation System), que é composto por uma unidade de medidas inerciais ou IMU (Inertial
Measurement Unit). A IMU é formada por acelerômetros e giroscópios, geralmente três de
cada, montados em uma base comum (GREWAL; WEILL; ANDREWS, 2001). Combinando-
se as informações desses sensores, é possível calcular posição, atitude e velocidade de um corpo
por meio de sucessivas integrações numéricas em relação ao tempo, baseadas nas leis da
mecânica clássica de Newton (TITTERTON; WESTON, 2004). O INS é um sistema totalmente
autocontido, isto é, não depende da recepção de sinais de fontes externas (TITTERTON;
WESTON, 2004), como é o caso do GPS. Além disso, a IMU pode fornecer altas frequências
de amostragem, o que permite o INS ter elevadas taxas de atualização (FAKHARIAN;
GUSTAFSSON; MEHRFAM, 2011). Por outro lado, o INS depende do conhecimento preciso
da posição inicial do corpo, a partir da qual as medições inerciais são usadas para se obter
estimativas dos estados de navegação (TITTERTON; WESTON, 2004). Caso tal informação
não seja conhecida precisamente, o erro de estimativa pode divergir devido a erros na
integração.
É possível perceber que o INS e o GPS são complementares. No curto prazo, o INS gera
erros de estimativa pequenos. Já o GPS pode apresentar erros elevados, devido a interferências
nos sinais dos satélites. Em contrapartida, a longo prazo, as estimativas realizadas com base no
INS podem divergir em relação aos estados reais. Esse fenômeno não ocorre no GPS
(GREWAL; WEILL; ANDREWS, 2001). Portanto, a integração desses dois sistemas de
navegação foi e é amplamente explorada na literatura. Tipicamente tal integração é realizada
com base em um filtro de Kalman, como é feito em Shin e El-Sheimy (2002), Honghui Qi e
Moore (2002) e Romaniuk e Gosiewski (2014). Esse filtro se aproveita das características
complementares do INS e do GPS e, por meio de informações estatísticas sobre os erros de
ambos os sistemas, fornece uma implementação integrada com desempenho superior ao dos
sistemas separados (GREWAL; WEILL; ANDREWS, 2001).
14

Em particular, em Romaniuk e Gosiewski (2014) também é feita a integração GPS/INS.


Naquele trabalho emprega-se uma combinação de dois filtros de Kalman. O primeiro filtro é
utilizado para estimar a atitude do corpo com base nos dados provenientes de uma IMU e um
magnetômetro. Essa atitude é, então, empregada para transformar a aceleração medida pelo
acelerômetro para o referencial de navegação. Por fim, essa informação e os dados do GPS são
combinados em um segundo filtro de Kalman para estimativa da posição em relação ao ECEF
frame. Nesse contexto, o presente trabalho tem como objetivo geral a implementação de um
sistema de navegação utilizando a integração GPS/INS. Em particular, adotar-se-á a abordagem
de Romaniuk e Gosiewski (2014). Assim, tem-se como objetivo específico a implementação de
dois filtros de Kalman, uma para estimativa de atitude e outro para estimativa de posição.
O restante do trabalho encontra-se organizado da maneira descrita a seguir. O Capítulo
2 descreve como foi feita a estimativa de atitude. O Capítulo 3 mostra como realizar a estimativa
de posição e a implementação completa do filtro desenvolvido. O Capítulo 4 apresenta os
resultados obtidos em simulação e na prática, bem como a discussão desses resultados. O
Capítulo 5 expõe as conclusões e sugestões para trabalhos futuros.
15

2 ESTIMATIVA DE ATITUDE

Esse capítulo apresenta o desenvolvimento de um filtro de Kalman que combina


informações de acelerômetro, giroscópio e magnetômetro para estimar a atitude. Com esse
propósito, primeiramente definir-se-ão referenciais que serão empregados no desenvolvimento
do filtro.

2.1 Definição de referenciais

O referencial Earth-centered, Earth-fixed (ECEF frame) tem a origem no centro da


Terra e rotaciona junto com o planeta. Os eixos desse referencial, 𝑥 𝑒 , 𝑦 𝑒 e 𝑧 𝑒 , são definidos da
seguinte maneira: 𝑧 𝑒 aponta para o polo norte terrestre, 𝑥 𝑒 e 𝑦 𝑒 pertencem ao plano equatorial,
o primeiro apontando para o meridiano de Greenwich e o segundo para uma longitude de 90º a
leste (NIELSEN et al., 2008). A Figura 2 ilustra o referencial ECEF.
O referencial de navegação (n-frame), composto pelos eixos 𝑥 𝑛 , 𝑦 𝑛 e 𝑧 𝑛 , é um
referencial geográfico local com a origem na localização do sistema de navegação
(TITTERTON; WESTON, 2004). Na convenção north-east-down (NED), o eixo 𝑥 𝑛 aponta em
direção ao norte geográfico, o eixo 𝑧 𝑛 é ortogonal ao elipsoide de referência (superfície definida
matematicamente se aproximando do formato da Terra) apontando para baixo e o eixo 𝑦 𝑛
completa um sistema de referência dextrogiro (SHIN; EL-SHEIMY, 2002), como é mostrado
na Figura 2. Essa convenção é adotada nesse trabalho.

Figura 2 - Referenciais ECEF e de navegação (ECEF frame e n-frame)

Fonte: Adaptado de Titterton e Weston (2004).


16

O referencial do corpo (b-frame) é um referencial preso ao corpo com a origem


coincidente com a do n-frame. No entanto, o b-frame rotaciona junto com o corpo (NIELSEN
et al., 2008). Os eixos desse referencial (𝑥 𝑏 , 𝑦 𝑏 , 𝑧 𝑏 ) são alinhados aos eixos principais do corpo:
longitudinal, transversal e vertical (SHIN; EL-SHEIMY, 2002), como mostra a Figura 3.

Figura 3 - Referencial do corpo (b-frame)

Fonte: Titterton e Weston (2004).

2.2 Definição dos ângulos de Euler

Conhecendo-se os referenciais, é possível definir os ângulos de Euler, comumente


representados por 𝜙, 𝜃 e 𝜓, como mostrado na Figura 4. Mais precisamente, o ângulo de
rolagem (𝜙) representa uma rotação em torno do eixo 𝑥 𝑛 . O ângulo 𝜃 representa uma rotação
em torno de 𝑦 𝑛 . Essa rotação é conhecida como arfagem. Por fim, a guinada do corpo é uma
rotação em torno do eixo 𝑧 𝑛 e é representada pelo ângulo 𝜓.

Figura 4 - Ângulos de Euler

Fonte: Adaptado de Civita; Fiori e Romani (2018).

Esses ângulos representam uma combinação de três rotações que move o n-frame para
o b-frame. Então, são utilizados para descrever a atitude de um corpo. Isso equivale a dizer que
qualquer atitude pode ser alcançada compondo três rotações elementares, isto é, rotações sobre
17

o único eixo. Além disso, significa que qualquer rotação pode ser decomposta como um produto
de três matrizes de rotação elementares (FLORES, 2015).
Para realizar tal rotação, neste trabalho adota-se a seguinte convenção: primeiro
rotacionar um ângulo 𝜓 em torno do eixo 𝑧 𝑛 original, depois rotacionar um ângulo 𝜃 em torno
do novo eixo 𝑦 𝑛 e, finalmente, rotacionar um ângulo 𝜙 em torno do novo eixo 𝑥 𝑛 . A matriz de
rotação elementar para cada uma dessas operações é dada, respectivamente, por (TITTERTON;
WESTON, 2004)

𝑐𝑜𝑠𝜓 𝑠𝑒𝑛𝜓 0
𝑪𝟏 = [−𝑠𝑒𝑛𝜓 𝑐𝑜𝑠𝜓 0] (1)
0 0 1
𝑐𝑜𝑠𝜃 0 −𝑠𝑒𝑛𝜃
𝑪𝟐 = [ 0 1 0 ] (2)
𝑠𝑒𝑛𝜃 0 𝑐𝑜𝑠𝜃
1 0 0
𝑪𝟑 = [0 𝑐𝑜𝑠𝜙 𝑠𝑒𝑛𝜙] (3)
0 −𝑠𝑒𝑛𝜙 𝑐𝑜𝑠𝜙

Dessa forma, a transformação do n-frame para o b-frame pode ser expressa por

𝑪𝒃𝒏 = 𝑪𝟑 𝑪𝟐 𝑪𝟏
𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜓 𝑐𝑜𝑠𝜃𝑠𝑒𝑛𝜓 −𝑠𝑒𝑛𝜃 (4)
= [𝑐𝑜𝑠𝜓𝑠𝑒𝑛𝜃𝑠𝑒𝑛𝜙 − 𝑐𝑜𝑠𝜙𝑠𝑒𝑛𝜓 𝑐𝑜𝑠𝜙𝑐𝑜𝑠𝜓 + 𝑠𝑒𝑛𝜃𝑠𝑒𝑛𝜙𝑠𝑒𝑛𝜓 𝑐𝑜𝑠𝜃𝑠𝑒𝑛𝜙]
𝑐𝑜𝑠𝜙𝑐𝑜𝑠𝜓𝑠𝑒𝑛𝜃 + 𝑠𝑒𝑛𝜙𝑠𝑒𝑛𝜓 𝑐𝑜𝑠𝜙𝑠𝑒𝑛𝜃𝑠𝑒𝑛𝜓 − 𝑐𝑜𝑠𝜓𝑠𝑒𝑛𝜙 𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜙

2.3 Filtro de Kalman para estimativa de atitude

O filtro de Kalman tem como finalidade estimar o vetor de estados 𝒙 de um processo


discreto que pode ser modelado no espaço de estados por

𝒙𝑘+1 = 𝑨𝒙𝑘 + 𝑩𝒖𝑘 (5)

possuindo um vetor de medição 𝒛 dado por

𝒛 𝑘 = 𝑯𝑘 𝒙 𝑘 (6)
18

em que 𝑨, 𝑩 e 𝑯 são matrizes constantes com elementos conhecidos que representam a


dinâmica discreta do sistema, 𝒖 é o vetor de entrada do modelo e 𝑘 é o índice de tempo discreto
(BISHOP; WELCH, 2001). O Apêndice A contém um resumo sobre a implementação do filtro
de Kalman. Nesta seção, concentrar-se-á na composição do filtro para estimativa de atitude.
No caso do filtro de Kalman para estimativa de atitude (FKA), o vetor de estados 𝒙𝑎 é
composto pelos ângulos de Euler, isto é,

𝜙
𝒙𝑎 = [ 𝜃 ] (7)
𝜓

e as matrizes 𝑨𝑎 , 𝑩𝑎 e 𝑯𝑎 representam uma dinâmica de movimento uniforme com três graus


de liberdade, como proposto em Romaniuk e Gosiewski (2014), e são dadas, respectivamente,
por

1 0 0
𝑨𝑎 = [0 1 0] (8)
0 0 1
𝑇 0 0
𝑩𝑎 = [ 0 𝑇 0] (9)
0 0 𝑇
1 0 0
𝑎
𝑯 = [0 1 0] (10)
0 0 1

em que 𝑇 é o período de amostragem.


Os vetores de entrada 𝒖𝑎 da equação (5) e de medição 𝒛𝑎 são calculados a partir dos
sensores, como ilustrado no diagrama da Figura 5 e detalhado na sequência. Note que as
variáveis estimadas são indicadas com o sobrescrito “^”, como a atitude estimada pelo FKA,
apresentada na Figura 5.
19

Figura 5 - Diagrama do filtro de Kalman para estimativa de atitude (FKA)

Fonte: O autor.

O vetor de entrada 𝒖𝑎 do FKA é dado pelas taxas de variação dos ângulos de Euler (𝜙̇,
𝜃̇, 𝜓̇). Pode-se calcular essas taxas de variação a partir das leituras do giroscópio do seguinte
modo (TITTERTON e WESTON, 2004):

𝜔𝑥 𝜙̇ 0 0
𝜔
[ 𝑦 ] = [ 0 ] + 𝑪𝟑 [𝜃̇] + 𝑪𝟑 𝑪𝟐 [ 0 ] (11)
𝜔𝑧 0 0 𝜓̇

em que 𝜔𝑥 , 𝜔𝑦 , 𝜔𝑧 são as velocidades angulares medidas pelo giroscópio. A dependência com


o tempo das variáveis foi omitida por claridade.
Substituindo em (11) as matrizes de rotação elementares 𝑪𝟐 e 𝑪𝟑 , dadas em (2) e (3),
respectivamente, e rearranjando os termos, é possível obter

𝜙̇ 1 𝑠𝑒𝑛𝜙𝑡𝑎𝑛𝜃 𝑐𝑜𝑠𝜙𝑡𝑎𝑛𝜃 𝜔𝑥
𝑎
𝒖 = [ 𝜃̇ ] = [0 𝑐𝑜𝑠𝜙 −𝑠𝑒𝑛𝜙 ] [𝜔𝑦 ] (12)
𝜓̇ 0 𝑠𝑒𝑛𝜙𝑠𝑒𝑐𝜃 𝑐𝑜𝑠𝜙𝑠𝑒𝑐𝜃 𝜔𝑧

O vetor de medição do FKA é composto pelos ângulos de Euler, isto é, 𝒛𝑎 =


𝑇
[𝜙𝑎𝑐𝑐 𝜃𝑎𝑐𝑐 𝜓𝑚𝑎𝑔 ] , sendo 𝜙𝑎𝑐𝑐 e 𝜃𝑎𝑐𝑐 calculados a partir das medições do acelerômetro, por
isso são representados com o subscrito “𝑎𝑐𝑐”, e 𝜓𝑚𝑎𝑔 calculado utilizando as informações do
magnetômetro (subscrito “𝑚𝑎𝑔”).
A saída 𝑮𝒑 do acelerômetro pode ser representada transformando-se o vetor
gravitacional (𝒈 = [0 0 𝑔]𝑇 ) do n-frame para o b-frame. Isto é, fazendo-se
20

𝐺𝑝𝑥 0
𝐺 𝒃 0
𝑮𝒑 = [ 𝑝𝑦 ] = 𝑪𝒏 [ ] (13)
𝐺𝑝𝑧 𝑔

Assume-se, portanto, que o corpo não possui aceleração linear em relação ao n-frame,
o que é uma limitação dessa formulação.
Além disso, adota-se a convenção de que a saída do acelerômetro é negada, de forma a
se obter um valor de +1𝑔 em qualquer eixo alinhado com o campo gravitacional descendente
da Terra (PEDLEY, 2013).
Substituindo (4) em (13) e dividindo ambos os lados por √𝐺𝑝𝑥
2 + 𝐺 2 + 𝐺 2 = 𝑔,
𝑝𝑦 𝑝𝑧

obtém-se (14) (PEDLEY, 2013).

𝐺𝑝𝑥 −𝑠𝑒𝑛𝜃
1
[𝐺𝑝𝑦 ] = [𝑐𝑜𝑠𝜃𝑠𝑒𝑛𝜙] (14)
2 + 𝐺2 + 𝐺2
√𝐺𝑝𝑥 𝑝𝑦 𝑝𝑧 𝐺 𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜙
𝑝𝑧

Finalmente, rearranjando (14), pode-se calcular os ângulos 𝜙𝑎𝑐𝑐 e 𝜃𝑎𝑐𝑐 fazendo-se


(PEDLEY, 2013)

𝐺𝑝𝑦
𝑡𝑎𝑛𝜙𝑎𝑐𝑐 = (15)
𝐺𝑝𝑧
−𝐺𝑝𝑥
𝑡𝑎𝑛𝜃𝑎𝑐𝑐 = (16)
2 + 𝐺2
√𝐺𝑝𝑦 𝑝𝑧

Note que, caso 𝐺𝑝𝑧 = 0, há uma singularidade em (15). Para contornar esse problema,
pode-se adicionar um novo termo no denominador. Assim como proposto em Pedley (2013),
aqui adota-se

𝐺𝑝𝑦
𝑡𝑎𝑛𝜙𝑎𝑐𝑐 = (17)
2 + 𝐺2
𝑠𝑖𝑔𝑛(𝐺𝑝𝑧 )√𝜇𝐺𝑝𝑥 𝑝𝑧

em que a função sinal (𝑠𝑖𝑔𝑛) é utilizada para manutenção do sinal de 𝐺𝑝𝑧 e 𝜇 é um escalar de
baixa magnitude.
21

Além disso, uma vez que (16) e (17) têm um número infinito de soluções em múltiplos
de 360°, adota-se a convenção de restringir as soluções para 𝜙 e 𝜃 na faixa de -180° a 180°. No
entanto, para garantir que exista apenas uma solução única, ainda é necessário limitar o ângulo
𝜃 na faixa de -90° a 90°. Dessa forma, (17) é calculada com a função ATAN2 (intervalo de
ângulo de saída de -180° a 180°) e (16) é calculada com a função ATAN (intervalo de ângulo
de saída -90° a 90°) (OZYAGCILAR, 2015).
De maneira similar ao acelerômetro, é necessário modelar a saída do magnetômetro, o
que pode ser feito transformando-se o vetor campo magnético da Terra (𝑩 = 𝐵[𝑐𝑜𝑠δ 0 senδ]𝑇 )
do n-frame para o b-frame, isto é

𝐵𝑝𝑥 𝑐𝑜𝑠𝛿
𝐵 𝒃
𝑩𝒑 = [ 𝑝𝑦 ] = 𝑪𝒏 𝐵 [ 0 ] (18)
𝐵𝑝𝑧 𝑠𝑒𝑛𝛿

em que 𝐵 e 𝛿 são, respectivamente, a intensidade e o ângulo de inclinação do campo


geomagnético. Ambos variam ao longo da superfície da Terra. No entanto, não há necessidade
de conhecer esses valores, uma vez que estes se cancelam nos cálculos a seguir
(OZYAGCILAR, 2015).
Substituindo (4) em (18) e resolvendo a equação resultante para 𝜓𝑚𝑎𝑔 , obtém-se

𝐵𝑝𝑧 𝑠𝑒𝑛𝜙 − 𝐵𝑝𝑦 𝑐𝑜𝑠𝜙


𝑡𝑎𝑛𝜓𝑚𝑎𝑔 = (19)
𝐵𝑝𝑥 𝑐𝑜𝑠𝜃 + 𝐵𝑝𝑦 𝑠𝑒𝑛𝜃𝑠𝑒𝑛𝜙 + 𝐵𝑝𝑧 𝑠𝑒𝑛𝜃𝑐𝑜𝑠𝜙

Nota-se que essa formulação também leva em conta os ângulos 𝜙 e 𝜃, por isso é
chamada de tilt-compensated (inclinação compensada) (OZYAGCILAR, 2015).
Assim como (16) e (17), (19) também possui um número infinito de soluções em
múltiplos de 360°, logo deve-se limitá-las para 𝜓 na faixa de -180° a 180° e utilizar a função
ATAN2 para o cálculo desse ângulo (OZYAGCILAR, 2015).
Vale comentar que há um bias inicial na leitura do giroscópio. Isto é, tal sensor apresenta
medições diferentes de zero ainda que o sensor se encontre parado. Neste trabalho, estimou-se
o bias inicial realizando uma média das medições do giroscópio, para cada um dos eixos,
deixando a IMU em repouso sobre uma superfície plana por alguns instantes. Esses valores de
bias estimados foram, então, subtraídos das medições do giroscópio.
22

Cabe salientar também que se faz necessário calibrar o magnetômetro antes da


utilização. Um procedimento de calibração é detalhado no Apêndice B.
Em resumo, para estimativa de atitude, primeiramente convertem-se as leituras não
enviesadas dos giroscópios para taxas de variação dos ângulos de Euler utilizando (12). Então,
as informações do acelerômetro são empregadas para calcular os ângulos de arfagem e rolagem
por meio de (16) e (17). Mais ainda, o magnetômetro é utilizado para calcular o ângulo de
guinada a partir de (19). Todas essas informações são combinadas com o modelo matemático
(8) - (10) no FKA para obtenção de uma estimativa de atitude.
23

3 ESTIMATIVA DE POSIÇÃO

O presente capítulo apresenta um filtro de Kalman para estimativa de posição a partir


de informações de um GPS e de uma IMU. Como já mencionado, esse filtro requer a informação
da atitude do corpo, que pode ser estimada utilizando-se o FKA descrito no capítulo anterior.
O diagrama completo, que apresenta o filtro de Kalman para estimativa de posição (FKP) e o
FKA, é mostrado na Figura 6.

Figura 6 - Diagrama da combinação entre filtros de Kalman para estimativa de posição

Fonte: O autor.

O vetor de estados 𝒙𝑝 do FKP é composto pela posição do corpo em coordenadas


geodésicas, latitude (𝜑), longitude (𝜆) e altura (ℎ), e pela taxa de variação dessa posição, ambas
expressas no ECEF frame. Isto é,

𝜑
𝜑̇
𝜆
𝒙𝑝 = ̇ (20)
𝜆

[ ℎ̇ ]

O sistema do FKP é modelado como uma dinâmica de movimento uniformemente


variado, assim como em Romaniuk e Gosiewski (2014), que é representada pelas matrizes
24

1 𝑇 0 0 0 0
0 1 0 0 0 0
𝑨𝑝 = 0 0 1 𝑇 0 0 (21)
0 0 0 1 0 0
0 0 0 0 1 𝑇
[0 0 0 0 0 1]
𝑇2
0 0
2
𝑇 0 0
𝑇2
𝑩𝑝 = 0 2 0 (22)
0 𝑇 0
𝑇2
0 0
2
[0 0 𝑇]
1 0 0 0 0 0
𝑯 𝑝 = [0 0 1 0 0 0] (23)
0 0 0 0 1 0

O vetor de medição 𝒛𝑝 do FKP, como pode ser visto na Figura 6, é composto diretamente
pelas leituras do GPS, isto é,

𝜑𝐺𝑃𝑆
𝒛 = [ 𝜆𝐺𝑃𝑆 ]
𝑝
(24)
ℎ𝐺𝑃𝑆

em que 𝜑𝐺𝑃𝑆 , 𝜆𝐺𝑃𝑆 e ℎ𝐺𝑃𝑆 são, respectivamente, latitude, longitude e altura dadas pelo GPS no
ECEF frame.
O vetor de entrada 𝒖𝑝 do FKP é formado pelas medições do acelerômetro após três de
operações. A primeira operação é a transformação da saída do acelerômetro, que é dada no b-
frame, para o n-frame. Para isso é utilizada a matriz 𝑪𝒏𝒃 , obtida a partir de 𝑪𝒃𝒏 , dada em (4),
fazendo-se (TITTERTON; WESTON, 2004)

𝑇
𝑪𝒏𝒃 = 𝑪𝒃𝒏
𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜓 𝑐𝑜𝑠𝜓𝑠𝑒𝑛𝜃𝑠𝑒𝑛𝜙 − 𝑐𝑜𝑠𝜙𝑠𝑒𝑛𝜓 𝑐𝑜𝑠𝜙𝑐𝑜𝑠𝜓𝑠𝑒𝑛𝜃 + 𝑠𝑒𝑛𝜙𝑠𝑒𝑛𝜓 (25)
=[𝑐𝑜𝑠𝜃𝑠𝑒𝑛𝜓 𝑐𝑜𝑠𝜙𝑐𝑜𝑠𝜓 + 𝑠𝑒𝑛𝜃𝑠𝑒𝑛𝜙𝑠𝑒𝑛𝜓 𝑐𝑜𝑠𝜙𝑠𝑒𝑛𝜃𝑠𝑒𝑛𝜓 − 𝑐𝑜𝑠𝜓𝑠𝑒𝑛𝜙 ]
−𝑠𝑒𝑛𝜃 𝑐𝑜𝑠𝜃𝑠𝑒𝑛𝜙 𝑐𝑜𝑠𝜃𝑐𝑜𝑠𝜙

em que 𝜙, 𝜃 e 𝜓 são os ângulos de Euler estimados utilizando o FKA.


25

Após a conversão para o n-frame, adiciona-se, à saída do acelerômetro, o vetor


gravitacional 𝒈, também expresso no n-frame, com o intuito de se retirar a influência da
aceleração gravitacional. Considerando pequenas variações da aceleração gravitacional ao
longo do movimento do corpo, estimou-se 𝒈 apenas realizando-se a média das medições do
acelerômetro, deixando a IMU parada sobre uma superfície plana por alguns instantes.
A última operação é a transformação da aceleração do n-frame para o ECEF frame.
Como resultado, a saída do modelo do FKP é dada em coordenadas geodésicas. Isso pode ser
feito por meio de

1
0 0
𝑅𝑁 + ℎ
𝑻= 𝑠𝑒𝑐𝜑 (26)
0 0
𝑅𝐸 + ℎ
[ 0 0 −1]

em que a altura ℎ e a latitude 𝜑 utilizadas são as estimadas no instante de amostragem anterior.


Os parâmetros 𝑅𝑁 e 𝑅𝐸 são, respectivamente, os raios de curvatura da Terra meridional e
transversal de acordo com o elipsoide de referência modelado pelo WGS 84 (NIELSEN et al.,
2008). Esses parâmetros são dados por

𝑅(1 − 𝑒 2 )
𝑅𝑁 = 3 (27)
(1 − 𝑒 2 sen2 𝜑)2
𝑅 (28)
𝑅𝐸 = 1
(1 − 𝑒 2 sen2 𝜑)2

em que 𝑒 e 𝑅 são a excentricidade e o tamanho do semieixo maior do elipsoide de referência,


respectivamente, e possuem os seguintes valores (NIELSEN et al., 2008):

𝑒 = 0,0818191908426 (29)
𝑅 = 6.378.137 𝑚 (30)

Vale comentar que foi aplicado um filtro passa-baixas às medições do acelerômetro


antes de serem utilizadas no FKP, uma vez que as medidas desse sensor são bastante ruidosas.
A frequência de corte desse filtro foi determinada a partir da inspeção do espectro de frequência
do sinal, obtido por meio da aplicação da transformada de Fourier. Dessa forma, procurou-se
26

remover das medições do acelerômetro frequências mais elevadas que não correspondessem à
frequência do movimento realizada na prática. A análise de frequência realizada é apresentada
no Apêndice C.
Outro ponto importante é que a frequência de amostragem das medições do
acelerômetro, que compõem o vetor de entrada 𝒖𝑝 , é maior que das leituras do GPS, que
compõem o vetor de medição 𝒛𝑝 . Nos instantes de tempo em que apenas o vetor 𝒖𝑝 é atualizado,
a fase de predição do filtro de Kalman é realizada. Logo, a fase de correção, que depende do
vetor 𝒛𝑝 , é omitida. Novamente, um detalhamento sobre o filtro de Kalman é apresentado no
Apêndice A.
Sintetizando, para estimar a posição, retira-se o efeito gravitacional das leituras do
acelerômetro, após serem convertidas para o referencial de navegação usando (25). Em seguida,
transformam-se esses dados para o mesmo referencial da saída do GPS por meio de (26).
Finalmente, as informações desses dois sensores são combinadas com o modelo matemático
(21) - (23) no FKP para obtenção de uma estimativa de posição.
27

4 RESULTADOS E DISCUSSÃO

No presente capítulo, apresentam-se resultados de testes realizados com os filtros


descritos anteriormente. Ambos os filtros foram implementados em ambiente de simulação e
em dados experimentais.
Para a realização do teste com dados simulados utilizou-se a biblioteca GNSS-INS-SIM
(https://github.com/Aceinna/gnss-ins-sim), escrita em linguagem de programação Python. Essa
biblioteca simula as leituras dos sensores giroscópio, acelerômetro, magnetômetro e GPS
fixados a um corpo enquanto este se movimenta por uma trajetória determinada. A GNSS-INS-
SIM também permite definir imprecisões de medição como ruído e bias. O movimento que o
corpo realiza durante a simulação é definido pelo usuário criando-se um arquivo contendo o
perfil de movimento. Nesse arquivo é necessário especificar o estado inicial do corpo (atitude
e posição), além de entradas de aceleração e atitude que o impulsionam a se mover. Além disso,
a biblioteca gera a atitude e a posição reais do corpo ao longo do movimento simulado. Essas
informações podem ser utilizadas para avaliar a precisão do sistema de navegação. (ACEINNA,
2019).
Já os dados experimentais foram obtidos a partir de uma trajetória de referência
realizada no Campus Santa Mônica da Universidade Federal de Uberlândia. Mais precisamente,
mediram-se as coordenadas geodésicas de quatro pontos (𝑃𝑇01, 𝑃𝑇02, 𝑃𝑇03 e 𝑃𝑇04) em tal
campus com um receptor GPS Ashtech Promark 2, considerado de alta precisão. A trajetória
foi, então, definida considerando esses pontos como vértices de um quadrilátero (vide Figura
7). O relatório gerado pelo GPS de precisão pode ser encontrado no Anexo A.
28

Figura 7 - Pontos utilizados para definição da trajetória de referência

Fonte: Google Maps.

Como pode-se ver na Figura 7, ao percorrer a trajetória de referência, passa-se por baixo
de árvores do 𝑃𝑇01 ao 𝑃𝑇02 e por um trecho coberto pelo telhado de um bloco do 𝑃𝑇03 ao
𝑃𝑇04. Esses obstáculos podem influenciar o sinal do GPS utilizado nos testes e,
consequentemente, a precisão da medida de posição.
Nos testes, inicializou-se o vetor de estados 𝒙𝑎 do FKA da seguinte forma:

𝜙0 0°
𝒙𝑎0 = [ 𝜃0 ] = [ 0° ] (31)
𝜓0 75°

Os ângulos 𝜃0 e 𝜙0 foram determinados a partir das medições do acelerômetro aplicadas


em (16) e (17), respectivamente, com o sensor em uma superfície plana. Já o ângulo 𝜓0 foi
calculado a partir das informações do magnetômetro em (19), com o sensor posicionado em
𝑃𝑇01 e apontado para o ponto 𝑃𝑇02. Esse ângulo é indicado na Figura 7.
Além disso ajustaram-se as matrizes covariância do ruído de processo 𝑸𝑎 e do ruído de
saída 𝑹𝑎 do filtro FKA, respectivamente, com

1 0 0 (32)
𝑎
𝑸 = [0 1 0 ]
0 0 1
29

100 0 0 (33)
𝑎
𝑹 =[ 0 10000 0 ]
0 0 100

Os valores de 𝑹𝑎 foram ajustados de modo a reduzir o efeito do ruído de medida do


acelerômetro e do magnetômetro. Em particular, o valor associado com o estado 𝜃 foi mais
elevado a fim de compensar o erro causado pelas acelerações lineares que surgem durante o
movimento do corpo. Isso será detalhado mais adiante.
No caso do FKP, inicializou-se o vetor de estados 𝒙𝑝 do seguinte modo:

𝜑0 −18,918986°
𝜑̇ 0 0°/𝑠
𝜆 0 −48,256146°
𝒙𝑝0 = 𝜆 ̇ = (34)
0 0°/𝑠
ℎ0 862,148 𝑚
̇
[ ℎ0 ] [ 0 𝑚/𝑠 ]

A posição inicial (𝜑0 , 𝜆0 , ℎ0 ) foi inicializada com as coordenadas geodésicas do 𝑃𝑇01


e a velocidade inicial (𝜑0̇ , 𝜆0̇ , ℎ0̇ ) com valores nulos, uma vez que o movimento do corpo parte
do repouso.
As matrizes 𝑸𝑝 e 𝑹𝑝 do filtro FKP foram ajustadas de forma similar às do FKA. Isto é,
manteve-se 𝑸𝑝 como uma matriz identidade e aumentaram-se os valores da diagonal da matriz
𝑹𝑝 até a obtenção de uma estimativa adequada.

1 0 0 0 0 0
0 1 0 0 0 0
𝑸 = 0
𝑝 0 1 0 0 0 (35)
0 0 0 1 0 0
0 0 0 0 1 0
[0 0 0 0 0 1]
250 0 0
𝑝
𝑹 =[ 0 250 0 ] (36)
0 0 250

4.1 Resultados de simulação

Realizou-se uma simulação de um veículo se movimentando pela trajetória de


referência, utilizando a biblioteca GNSS-INS-SIM. Uma vez que sensores de baixo custo foram
30

utilizados no teste com dados reais, em simulação configurou-se um modelo de ruído de baixa
acurácia predefinido para simular os erros dos sensores. Já na configuração de movimento da
simulação, a posição e a atitude iniciais foram definidas como sendo iguais a (31) e (34),
respectivamente. Além disso, especificaram-se os comandos de movimento necessários para
percorrer a trajetória mostrada na Figura 7. Esses comandos são acelerações lineares e atitudes
impostas ao veículo. Para deslocar o corpo, que inicialmente encontrava-se posicionado em
𝑃𝑇01, na direção do 𝑃𝑇02, aplicou-se uma determinada aceleração linear durante alguns
segundos. Em seguida, para que o veículo chegasse em 𝑃𝑇02 com uma velocidade nula, impôs-
se uma aceleração com sinal oposto a anterior. Finalmente, rotacionou-se o veículo em direção
ao 𝑃𝑇03, configurando-se um ângulo de guinada adequado. A mesma metodologia foi adotada
para os trechos seguintes da trajetória.
Aplicaram-se, então, as leituras dos sensores geradas pela simulação aos filtros
desenvolvidos (FKA e FKP). A atitude real (𝜙, 𝜃, 𝜓), também gerada pela simulação, foi
comparada às atitudes medida (𝜙𝑎𝑐𝑐 , 𝜃𝑎𝑐𝑐 , 𝜓𝑚𝑎𝑔 ) e estimada pelo FKA (𝜙̂, 𝜃̂, 𝜓̂). Da mesma
forma, comparou-se a posição real (𝜑 e 𝜆) às posições medida (𝜑𝐺𝑃𝑆 e 𝜆𝐺𝑃𝑆 ) e estimada pelo
FKP (𝜑̂ e 𝜆̂). As Figuras 8 até 11 mostram essas comparações. Em todos os casos, vê-se que o
emprego do filtro possibilitou a suavização de variações causadas pelo ruído de medida.

Figura 8 - Ângulo de rolagem estimado pelo FKA (𝜙̂) a partir de dados simulados. Também
são mostrados os dados reais (𝜙) e medidos (𝜙𝑎𝑐𝑐 ).

Fonte: O autor.
31

Figura 9 - Ângulo de arfagem estimado pelo FKA (𝜃̂) a partir de dados simulados. Também
são mostrados os dados reais (𝜃) e medidos (𝜃𝑎𝑐𝑐 ).

Fonte: O autor.

Figura 10 - Ângulo de guinada estimado pelo FKA (𝜓̂) a partir de dados simulados. Também
são mostrados os dados reais (𝜓) e medidos (𝜓𝑚𝑎𝑔 ).

Fonte: O autor.
32

Figura 11 - Posição estimada pelo FKP (𝜆̂ 𝑣𝑠 𝜑̂) a partir de dados simulados. Também são
mostrados os dados reais (𝜆 𝑣𝑠 𝜑) e medidos (𝜆𝐺𝑃𝑆 𝑣𝑠 𝜑𝐺𝑃𝑆 ).

Fonte: O autor.

Nas Figuras 8 e 9 nota-se que 𝜙 e 𝜃 são nulos durante todo o movimento, o que era
esperado, uma vez que a simulação é desenvolvida considerando que os sensores são mantidos
alinhados ao longo de todo o movimento.
O ângulo 𝜙̂, mostrado na Figura 8, apresentou picos de pequena amplitude (< 0,2°) em
alguns trechos. Isso ocorre devido aos ruídos presentes nas leituras do giroscópio. Essas leituras,
após serem transformadas em taxas de variação dos ângulos de Euler por meio de (12), são
utilizadas no vetor de entrada 𝒖𝑎 , gerando esses pequenos desvios na saída estimada pelo FKA.
Na Figura 9, o ângulo 𝜃𝑎𝑐𝑐 se desviou do valor real nos instantes em que se impôs
acelerações lineares ao corpo simulado. Isso ocorre porque, na formulação do vetor de medição
𝒛𝑎 , assume-se que a única aceleração presente no sistema é a aceleração gravitacional.
Consequentemente, as acelerações lineares do movimento geram erros nos valores medidos.
Aqui justifica-se o valor mais elevado associado ao estado 𝜃 da matriz 𝑹𝑎 . Isso é feito de forma
a se obter um ângulo 𝜃̂ menos susceptível a esse erro relacionado às acelerações lineares, como
pode ser visto também na Figura 9.
Nota-se que, com o ajuste realizado na matriz 𝑹𝑝 , obteve-se visualmente uma posição
estimada mais precisa que a medida pelo GPS, como mostra a Figura 11. Além disso, fez-se
uma análise quantitativa dos dados obtidos em simulação. Para isso, calculou-se o erro médio
33

(𝜀𝑚é𝑑𝑖𝑜 ) entre os valores de atitude e posição medidos e estimados pelos filtros em relação aos
valores reais. Também se determinou a variância (𝜎 2 ) do erro médio. Esses resultados estão
organizados nas Tabelas 1 e 2.

Tabela 1 - Erro médio e variância do erro das atitudes medida e estimada


Dados medidos Dados estimados pelo FKA
𝝓𝒂𝒄𝒄 (°) 𝜽𝒂𝒄𝒄 (°) 𝝍𝒎𝒂𝒈 (°) ̂ (°)
𝝓 ̂ (°)
𝜽 ̂ (°)
𝝍
𝜺𝒎é𝒅𝒊𝒐 0,017836 0,514760 2,404905 0,013987 0,434744 0,597876
𝝈𝟐 0,000781 1,815665 3,220249 0,000181 0,236892 0,226817

Tabela 2 - Erro médio e variância do erro das posições medida e estimada


Dados medidos Dados estimados pelo FKP
𝝀𝑮𝑷𝑺 (°) 𝝋𝑮𝑷𝑺 (°) 𝝀̂ (°) ̂ (°)
𝝋
𝜺𝒎é𝒅𝒊𝒐 0,000018 0,000051 0,000004 0,000009
𝝈𝟐 4,823782e-11 4,860154e-10 9,338474e-12 6,449811e-11

Ao observar os resultados obtidos, vê-se que o 𝜀𝑚é𝑑𝑖𝑜 dos valores estimados pelos filtros
é menor que o dos valores medidos, o que indica uma maior acurácia dos dados estimados. Da
mesma forma, o 𝜎 2 dos valores estimados também é menor, indicando um aumento da precisão
da estimativa em relação à medição. Esses resultados justificam, então, a aplicação dos filtros.
Portanto, o teste com os dados simulados permite concluir que as formulações
desenvolvidas para o FKA e FKP estão adequadas e permitem estimar a atitude e a posição de
um veículo, respectivamente.

4.2 Resultados experimentais

Para a realização do teste com dados reais utilizou-se o módulo MPU-9250. Esse
módulo combina um MPU-6500, que consiste em um giroscópio de três eixos e um
acelerômetro de três eixos, e um AK8963, que é um magnetômetro de três eixos
(INVENSENSE, 2016). A frequência de amostragem usada foi de 20 Hz. Utilizou-se também
o módulo de GPS NEO-6M da fabricante u-blox (U-BLOX, 2011), configurado com uma
frequência de amostragem de 1 Hz.
Fixaram-se esses sensores a uma superfície plana e esta, por sua vez, foi fixada na tampa
de um notebook, responsável por coletar os dados dos sensores. Os módulos foram conectados
34

ao notebook, em particular o MPU-9250 não possui porta para conectar-se diretamente ao


computador, por isso foi utilizado um Arduino Uno, como mostra a Figura 12.

Figura 12 - Montagem dos sensores para coleta dos dados

Fonte: O autor.

Os dados foram coletados levando-se o conjunto mostrado na Figura 12 ao longo da


trajetória entre os pontos 𝑃𝑇01, 𝑃𝑇02, 𝑃𝑇03 e 𝑃𝑇04 mostrados na Figura 7. Iniciou-se o
percurso no ponto 𝑃𝑇01 em direção ao ponto 𝑃𝑇02 e com o eixo 𝑥 𝑏 do MPU-9250 apontando
para o 𝑃𝑇02. Buscou-se caminhar em linha reta entre esses pontos.
O resultado obtido com os filtros FKA e FKP com os dados reais dos sensores é
apresentado nas Figuras 13 e 14. A primeira mostra a atitude estimada pelo FKA e a segunda
as seguintes posições: estimada pelo FKP (𝜑̂ e 𝜆̂), medida pelo GPS (𝜑𝐺𝑃𝑆 e 𝜆𝐺𝑃𝑆 ) e obtida
interpolando linearmente os pontos dados pelo GPS de precisão (𝜑𝑟𝑒𝑓 e 𝜆𝑟𝑒𝑓 ).
35

Figura 13 - Atitude estimada pelo FKA a partir de dados reais

Figura 14 - Posição estimada pelo FKP a partir de dados reais

Fonte: O autor.

Na Figura 13 vê-se que os ângulos estimados pelo FKA estão coerentes com os vistos
em simulação. Os ângulos 𝜙̂ e 𝜃̂ ficaram próximo de 0° e o ângulo 𝜓̂ variou em degraus ao
longo do tempo. No entanto, é possível perceber que a atitude estimada ainda é bastante ruidosa.
36

Na Figura 14 é possível verificar que a posição medida pelo GPS se distanciou da posição de
referência, principalmente na parte superior da trajetória. Possivelmente, isso ocorreu devido a
esse trecho ser coberto, como citado anteriormente, o que interfere na recepção do sinal do GPS.
Nessa mesma figura, nota-se que a posição estimada pelo FKP visualmente não teve um
desempenho melhor que a posição medida pelo GPS. Esse fato pode ser explicado
primeiramente pelos ruídos na estimativa da atitude, o que compromete a transformação da
medição de aceleração para o n-frame. Além disso, a própria medição do acelerômetro é muito
ruidosa, uma vez que se trata de um sensor de baixo custo. Como explicado anteriormente, a
leitura do acelerômetro, após algumas transformações, compõe o vetor de entrada 𝒖𝑝 . Dessa
forma, a medição ruidosa desse sensor prejudica a fase de predição do FKP e faz com que esse
filtro não tenha um desempenho tão bom, no que tange à aproximação da posição estimada da
posição de referência.
Como principal ponto positivo, o emprego da combinação GPS e INS permitiu obter a
informação de posição com uma frequência maior do que utilizando-se apenas o GPS. Cabe
relembrar que, enquanto o GPS é atualizado a uma frequência de amostragem de 1 Hz, a IMU
fornece informações a 20 Hz.
37

5 CONCLUSÕES

Este trabalho envolveu o desenvolvimento de um sistema de navegação utilizando a


integração GPS/INS. Sistemas de navegação integrados buscam produzir um sistema que
forneça maior precisão do que qualquer um deles operando isoladamente. Isso é feito
aproveitando-se as características complementares de sistemas diferentes. Para realizar a
integração, escolheu-se o uso do filtro de Kalman e, em particular, adotou-se a abordagem de
Romaniuk e Gosiewski (2014). Nessa abordagem, são empregados dois filtros de Kalman, um
para estimativa de atitude e outro para estimativa de posição.
As entradas do filtro de Kalman para estimativa de atitude são os ângulos de Euler,
calculados a partir das medições do acelerômetro e do magnetômetro, e as taxas de variação
dos ângulos de Euler obtidas das leituras do giroscópio. O filtro de Kalman para estimativa de
posição tem como entradas a medição do GPS e a saída do acelerômetro, após algumas
transformações. Uma dessas transformações é a conversão das acelerações para o referencial
de navegação, utilizando a estimativa de atitude do primeiro filtro.
Realizaram-se testes com dados simulados e reais. Em ambos se utilizou uma trajetória
de referência, gerada a partir da medição das coordenadas geodésicas de quatro pontos com um
GPS de precisão. No teste com dados simulados, foi possível validar as formulações
desenvolvidas para os filtros de Kalman. No entanto, no teste com dados reais a estimativa de
posição do sistema integrado GPS/INS não apresentou uma precisão maior que a medição do
GPS isoladamente. Esse resultado é atribuído à saída ruidosa do acelerômetro empregado,
alinhado ao fato de que no modelo dinâmico do filtro de Kalman para estimativa de posição é
feita uma dupla integração dessa medição ruidosa. Essas integrações fazem os erros do sensor
se acumularem rapidamente, prejudicando a estimava desse filtro.
Trabalhos futuros podem investigar outras abordagens para a integração GPS/INS
utilizando o filtro de Kalman, a fim de se evitar que o efeito da integração da aceleração ruidosa
no modelo do filtro prejudique a estimativa realizada. Em Shin e El-Sheimy (2002), por
exemplo, o modelo do filtro de Kalman desenvolvido é baseado nas equações dinâmicas dos
erros de posição, velocidade e atitude do sistema por meio de uma análise de perturbação. Os
erros estimados realimentam, então, as equações dinâmicas do INS.
38

6 REFERÊNCIAS

ACEINNA. GNSS-INS-SIM, 2019. Disponível em: <https://github.com/Aceinna/gnss-ins-


sim>. Acesso em: 14 mar. 2022.

BISHOP, G.; WELCH, G. An introduction to the kalman filter. SIGGRAPH, Course, v. 8, n.


27599–23175, p. 41, 2001.

CIVITA, A.; FIORI, S.; ROMANI, G. A Mobile Acquisition System and a Method for Hips
Sway Fluency Assessment. Information, v. 9, n. 12, p. 321, 12 dez. 2018.

DRAKE, S. Converting GPS coordinates [𝜙, 𝜆, ℎ] to navigation coordinates (ENU). DSTO


Electronics and Surveillance Research Laboratory, v. 1, n. DSTO-TN-0432, 1 abr. 2002.

FAKHARIAN, A.; GUSTAFSSON, T.; MEHRFAM, M. Adaptive Kalman filtering based


navigation: An IMU/GPS integration approach. 2011 International Conference on
Networking, Sensing and Control. Anais...IEEE, abr. 2011.

FLORES, P. Euler Angles, Bryant Angles and Euler Parameters. In: Concepts and
Formulations for Spatial Multibody Dynamics. 1. ed. Cham: Springer, 2015. p. 15–22.

GREWAL, M. S.; WEILL, L. R.; ANDREWS, A. P. Global positioning systems, inertial


navigation, and integration. New York: John Wiley & Sons, 2001.

HONGHUI QI; MOORE, J. B. Direct Kalman filtering approach for GPS/INS integration.
IEEE Transactions on Aerospace and Electronic Systems, v. 38, n. 2, p. 687–693, abr. 2002.

INVENSENSE. MPU-9250 Product Specification Revision 1.1. Disponível em:


<https://invensense.tdk.com/wp-content/uploads/2015/02/PS-MPU-9250A-01-v1.1.pdf>.
Acesso em: 12 fev. 2022.

LAMMAS, A.; SAMMUT, K.; HE, F. 6-DoF Navigation Systems for Autonomous Underwater
Vehicles. In: Mobile Robots Navigation. 1. ed. London: IntechOpen, 2010.

MARQUES FILHO, E. A. Navegação através de um sistema integrado GPS-INS baseado


em IMU não-giroscópica. São José dos Campos: Instituto Nacional de Pesquisas Espaciais
(INPE), 2005.

MONICO, J. F. G. Posicionamento pelo NAVSTAR-GPS: descrição, fundamentos e


aplicações. 1. ed. São Paulo: UNESP, 2000.
39

NIELSEN, M. B.; RAQUET, J. F.; VETH, M.; PACHTER, M. Development and flight test
of a robust optical-inertial navigation system using low-cost sensors. 21st International
Technical Meeting of the Satellite Division of The Institute of Navigation (ION GNSS 2008).
Anais...2008.

OZYAGCILAR, T. Implementing a tilt-compensated eCompass using accelerometer and


magnetometer sensors. Freescale semiconductor, application note, nov. 2015.

PEDLEY, M. Tilt sensing using a three-axis accelerometer. Freescale semiconductor,


application note, mar. 2013.

PISSARDINI, R. S.; DE OLIVEIRA, R. H.; VAZ, J. A.; ALMEIDA FILHO, F. G. V.;


FONSECA JUNIOR, E. S. O problema do posicionamento para transporte terrestre no ambiente
urbano. Revista Brasileira de Geomática, v. 5, n. 3, p. 380, 4 ago. 2017.

ROMANIUK, S.; GOSIEWSKI, Z. Kalman Filter Realization for Orientation and Position
Estimation on Dedicated Processor. Acta Mechanica et Automatica, v. 8, n. 2, p. 88–94, 15
ago. 2014.

SHIN, E.-H.; EL-SHEIMY, N. Accuracy improvement of low cost INS/GPS for land
applications. Proceedings of the 2002 National Technical Meeting of The Institute of
Navigation. Anais...San Diego: Institute of Navigation (ION), jan. 2002.

TITTERTON, D.; WESTON, J. Strapdown Inertial Navigation Technology. 2. ed.


Stevenage, Reston: Institution of Engineering and Technology, 2004.

U-BLOX. NEO-6 u-blox 6 GPS Modules Data Sheet. Disponível em: <https://www.u-
blox.com/sites/default/files/products/documents/NEO-6_DataSheet_(GPS.G6-HW-
09005).pdf>. Acesso em: 20 mar. 2022.

VECTORNAV. Magnetometer Hard & Soft Iron Calibration. Disponível em:


<https://www.vectornav.com/resources/inertial-navigation-primer/specifications--and--error-
budgets/specs-hsicalibration>. Acesso em: 23 mar. 2022.
40

APÊNDICE A – FILTRO DE KALMAN

Esse apêndice dá uma visão geral das equações e do funcionamento do filtro de Kalman,
conforme Bishop e Welch (2001). O filtro de Kalman aborda o problema geral de estimar o
estado 𝒙 ∈ ℝ𝑛 de um processo controlado a tempo discreto, que é descrito por

𝒙𝑘+1 = 𝑨𝒙𝑘 + 𝑩𝒖𝑘 + 𝒘𝑘 (37)


𝒛𝑘 = 𝑯𝒙𝑘 + 𝒗𝑘 (38)

em que a matriz 𝑨 ∈ ℝ𝑛×𝑛 relaciona o estado no instante de amostragem 𝑘 com o estado em


𝑘 + 1, na ausência de um ruído de processo. A matriz 𝑩 ∈ ℝ𝑛×𝑙 relaciona a entrada de controle
𝒖 ∈ ℝ𝑙 ao estado 𝒙. A matriz 𝑯 ∈ ℝ𝑚×𝑛 relaciona o estado 𝒙 com a medição 𝒛 ∈ ℝ𝑚 . As
variáveis aleatórias 𝒘𝑘 ∈ ℝ𝑛 e 𝒗𝑘 ∈ ℝ𝑚 representam o ruído de processo e de medição,
respectivamente, que são considerados não correlacionados, brancos e com distribuições de
probabilidade normais, dadas por 𝑝(𝒘)~𝑁(0, 𝑸) e 𝑝(𝒗)~𝑁(0, 𝑹).
̂−
Define-se 𝒙 𝑘 ∈ℝ
𝑛
como a estimativa de estado a priori no passo 𝑘 dado o
̂𝑘 ∈ ℝ𝑛 como a estimativa de estado a posteriori
conhecimento do processo antes da etapa 𝑘 e 𝒙
no passo 𝑘 dada a medição 𝒛𝑘 . Assim, pode-se definir os erros de estimativa a priori e a
posteriori como 𝒆− ̂−
𝑘 ≡ 𝒙𝑘 − 𝒙 𝑘 e 𝒆𝑘 ≡ 𝒙 𝑘 − 𝒙
̂𝑘 , respectivamente. Logo, a covariância do erro
de estimativa a priori é 𝑷− − −𝑇
𝑘 = 𝐸[𝒆𝑘 𝒆𝑘 ] e a covariância do erro de estimativa a posteriori é

𝑷𝑘 = 𝐸[𝒆𝑘 𝒆𝑘 𝑇 ], sendo 𝐸[] o operador esperança.


Ao derivar as equações para o filtro de Kalman, tem-se como objetivo encontrar uma
equação que calcule uma estimativa de estado a posteriori 𝒙
̂𝑘 como uma combinação linear de
̂−
uma estimativa a priori 𝒙 𝑘 e uma diferença ponderada entre uma medição real 𝒛𝑘 e uma

̂−
predição de medição 𝑯𝒙 𝑘 . Mais precisamente, calcula-se 𝒙
̂𝑘 como se segue

̂−
̂𝑘 = 𝒙
𝒙 ̂−
𝑘 + 𝑲(𝒛𝑘 − 𝑯𝒙 𝑘) (39)

̂−
em que (𝒛𝑘 − 𝑯𝒙 𝑘 ) é chamada de inovação (ou resíduo) de medição. O resíduo reflete a

̂−
discrepância entre a medição predita 𝑯𝒙 𝑘 e a medição real 𝒛𝑘 . Um resíduo de zero significa

que os dois estão em completo acordo. A matriz 𝑲 é escolhida para ser o ganho que minimiza
a covariância do erro a posteriori 𝑷𝑘 . Mais especificamente,
41

𝑲 = 𝑷− 𝑇 − 𝑇
𝑘 𝑯 (𝑯𝑷𝑘 𝑯 + 𝑹)
−1
(40)

As equações envolvidas no filtro de Kalman se dividem em dois grupos: equações de


atualização de tempo (time update) e equações de atualização de medição (measurement
update). As primeiras podem ser consideradas como equações de predição, enquanto as
segundas como equações de correção. Assim, o algoritmo de estimativa final se assemelha ao
de um algoritmo preditor-corretor para resolver problemas numéricos. Essas equações são
sintetizadas na Figura 15, incluindo as equações de atualização das matrizes de covariância do
erro de estimativa a priori é 𝑷−
𝑘 e a posteriori é 𝑷𝑘 , não mencionadas anteriormente.

Figura 15 - Operação completa do filtro de Kalman

Fonte: Adaptado de Bishop e Welch (2001).

As equações do primeiro grupo são responsáveis por projetar para frente (no tempo) as
estimativas do estado e da covariância de erro atuais para se obter as estimativas a priori para
o próximo passo de tempo. Já as do segundo são responsáveis por incorporar uma nova medição
na estimativa a priori para se obter uma estimativa a posteriori melhorada.
42

APÊNDICE B – CALIBRAÇÃO DO MAGNETÔMETRO

A saída ideal de um magnetômetro de três eixos, ao movimentar o sensor “desenhando”


variados padrões do número oito no ar, é uma superfície esférica centrada na origem, com raio
igual à magnitude do campo magnético da Terra. Dessa forma, ao plotar as medições de um
eixo do magnetômetro em relação a outro, isto é, 𝐵𝑝𝑥 𝑣𝑠 𝐵𝑝𝑦 , 𝐵𝑝𝑦 𝑣𝑠 𝐵𝑝𝑧 e 𝐵𝑝𝑥 𝑣𝑠 𝐵𝑝𝑧 ,
idealmente são obtidos três círculos de mesmo raio centrados na origem. No entanto, o
magnetômetro está sujeito a dois tipos de distorções, conhecidas como hard iron e soft iron,
que modificam essa saída ideal. A distorção hard iron é criada por objetos que produzem um
campo magnético, como, por exemplo, um alto-falante próximo ao sensor. Esse tipo de
distorção faz com que um bias permanente esteja presente nas medições do magnetômetro.
Assim, ao plotar as saídas do sensor em gráficos 2D, como explicado anteriormente, têm-se
uma mudança na posição dos centros dos círculos gerados (VECTORNAV, 2022). Essa
distorção pode ser visualizada na Figura 16, que apresenta as saídas do magnetômetro utilizado
nesse trabalho.

Figura 16 - Leituras do magnetômetro ao se realizar movimentos em variados padrões de oito


antes da calibração

Fonte: O autor.

Já a distorção soft iron é caracterizada por deflexões ou alterações no campo magnético


existente e é comumente causada por metais como níquel e ferro nas proximidades do sensor.
43

No entanto, na maioria dos casos, a distorção hard iron tem uma contribuição muito maior para
o erro total do sensor do que a soft iron, além de ser mais simples de ser corrigida. Dessa forma,
nesse trabalhou concentrou-se em calibrar o magnetômetro a fim de compensar a distorção hard
iron. Para isso, coletam-se as leituras do sensor por alguns instantes o movimentando
lentamente em variados padrões de oito no ar. Depois, encontra-se a leitura máxima e mínima
de cada eixo. Subtrai-se, então, das medições de cada eixo do sensor, a média entre os valores
máximo e mínimo daquele eixo. Isso equivale a centralizar as saídas circulares do
magnetômetro (VECTORNAV, 2022). O resultado dessa calibração é apresentado na Figura
17.

Figura 17 - Leituras do magnetômetro ao se realizar movimentos em variados padrões de oito


após a calibração

Fonte: O autor.
44

APÊNDICE C – ANÁLISE DE FREQUÊNCIA DA LEITURA DO ACELERÔMETRO

Por meio do espectro de frequência do sinal de cada um dos três eixos do acelerômetro,
observou-se que as frequências predominantes na medição desse sensor são abaixo de 2,5 Hz.
Dessa forma, adotou-se um valor um pouco abaixo a esse, 2,2 Hz, como a frequência de corte
do filtro passa-baixas projetado. Assim, as frequências presentes no sinal do acelerômetro foram
atenuadas a partir do valor de corte e praticamente eliminadas acima de 2,5 Hz. Isso pode ser
verificado na Figura 18, que apresenta os espectros de frequência das medições do acelerômetro
no eixo 𝑥 antes e depois da aplicação do filtro passa-baixas.

Figura 18 - Espectro de frequência do eixo 𝑥 do acelerômetro antes e depois da aplicação do


filtro passa-baixas

Fonte: O autor.

A Figura 19 apresenta um trecho do sinal do acelerômetro (eixo 𝑥) no domínio do tempo,


antes e depois da aplicação do filtro passa-baixas. Nota-se que o sinal filtrado é menos ruidoso.
45

Figura 19 - Sinal do eixo 𝑥 do acelerômetro antes e depois da aplicação do filtro passa-baixas

Fonte: O autor.
46

ANEXO A – RELATÓRIO DE MEDIÇÃO DO GPS DE PRECISÃO

Visão Geral do Levantamento de Terrenos

GNSS Solutions, Copyright (C) 2010 Ashtech. 21/09/2021 14:20:28


www.ashtech.com

Nome do Projecto: Projecto21


Sistema de Referência Espacial: WGS 84
Fuso Horário: (UTC-03:00) Brasília
Unidades Lineares: Metros

Resumo do Sistema de Coordenadas


Sistema de coordenadas
Nome: WGS 84
Tipo: Geográfico
Nome da Unidade: Radianos
Radianos por unidade: 1
Datum Vertical: Elipsóide
Unidade vertical: Metros
Metros por unidade: 1

Dado
Nome: WGS 84
Nome da Elipsóide: WGS 84
Eixo Semi-maior: 6378137.000 m
Achatamento Inverso: 298.257223563
DX para WGS84: 0.0000 m
DY para WGS84: 0.0000 m
DY para WGS84: 0.0000 m
RX para WGS84: -0.000000 "
RY para WGS84: -0.000000 "
RZ para WGS84: -0.000000 "
ppm para WGS84: 0.000000000000

Pontos de Controlo : 1
Pontos de Referência : 0
Pontos Registados : 4
Pontos Alvo : 0
Pontos Intermédios : 0

Pontos de Controlo
95%
Nome Componentes Erro Estado Erro de
Controlo
MGUB Long 48° 15' 21.77766"W 0.001 Fixo
Lat 18° 55' 08.98803"S 0.001 Fixo
Altura da elipse 869.241 0.004 Fixo
Descrição MGUB
47

Pontos Registados
95%
Nome Componentes Erro Estado
PTO1 Long 48° 15' 22.12560"W 0.001 Processado (Estático)
Lat 18° 55' 08.34793"S 0.001 Processado (Estático)
Altura da elipse 862.148 0.001 Processado (Estático)

PTO2 Long 48° 15' 19.89995"W 0.001 Processado (Estático)


Lat 18° 55' 07.78849"S 0.001 Processado (Estático)
Altura da elipse 861.830 0.001 Processado (Estático)

PTO3 Long 48° 15' 20.27942"W 0.001 Processado (Estático)


Lat 18° 55' 06.69322"S 0.001 Processado (Estático)
Altura da elipse 861.593 0.002 Processado (Estático)

PTO4 Long 48° 15' 21.99299"W 0.001 Processado (Estático)


Lat 18° 55' 06.70983"S 0.002 Processado (Estático)
Altura da elipse 861.041 0.007 Processado (Estático)

Ficheiros
Nome Hora de InícioAmostragem ÉpocasTamanho (Kb) Tipo
mgub2601.21d 21/09/16 21:00 15 5760 9870 L1/L2 GPS/GLONASS
BASHTA21.260 21/09/17 10:05 15 104 40 L1 GPS
BASHTB21.260 21/09/17 10:38 15 105 41 L1 GPS
BASHTD21.260 21/09/17 11:33 15 101 37 L1 GPS
BASHTE21.260 21/09/17 12:39 15 101 38 L1 GPS

Ocupações
Local Hora de InícioIntervalo de horas Tipo Ficheiro
MGUB 16 setembro 2021 21:00:00.00 23:59:45.00 Static mgub2601.21d
PTO1 17 setembro 2021 10:05:45.00 00:25:45.00 Static BASHTA21.260
PTO2 17 setembro 2021 10:38:15.00 00:26:00.00 Static BASHTB21.260
PTO3 17 setembro 2021 11:33:45.00 00:25:00.00 Static BASHTD21.260
PTO4 17 setembro 2021 12:39:45.00 00:25:00.00 Static BASHTE21.260

Processos
Referência Ficheiro de Referência Móvel Ficheiro Móvel Modo Núm
MGUB mgub2601.21d PTO4 BASHTE21.260 Static 1
MGUB mgub2601.21d PTO3 BASHTD21.260 Static 2
MGUB mgub2601.21d PTO2 BASHTB21.260 Static 3
MGUB mgub2601.21d PTO1 BASHTA21.260 Static 4

Vectores processados
Vector 95% Vector 95%
Identificador de VectorComprimento Erro Componentes Erro SV PDOP QA Solução
MGUB - PTO1 23.270 0.002 X -7.816 0.001 10 1.6 Fixo
21/09/17 10:05 Y -6.535 0.001
Z 20.921 0.001

MGUB - PTO2 66.599 0.001 X 44.297 0.000 10 1.6 Fixo


21/09/17 10:38 Y 32.895 0.001
Z 37.298 0.000

MGUB - PTO3 83.433 0.003 X 43.133 0.001 9 1.6 Fixo


21/09/17 11:33 Y 17.520 0.001
Z 69.237 0.002

MGUB - PTO4 70.818 0.011 X 5.257 0.004 7 2.7 Fixo


21/09/17 12:39 Y -15.356 0.005
Z 68.933 0.004

Você também pode gostar