Sei sulla pagina 1di 18

Laurea magistrale in Ingegneria gestionale e dell’automazione

Corso di
identificazione e fusione sensoriale

Filtraggio particle per fusione di dati da


più sensori:
Applicazione al rilevamento della posizione di un
veicolo
Autorino, De Vico, Guaita, Principato, Valente
1
Problema:

• Stima dello stato del sistema con Particle per modelli switching in cui lo stato
dei sensori può variare a causa delle condizioni esterne, causando eventuali
errori nelle misure.

• Le condizioni di lavoro del sensore possono cambiare ammettendo diversi


modelli di osservazione.

• Gestione nel caso di sensori sincroni ed asincroni.

2
Sommario

• Descrizione del modello di osservazione switching


• Descrizione dei filtri Particle per switching observation models:

• Sincrono
• Asincrono

• Algoritmo Rao-Blackwellized per switching observation models


• Esempio teorico
• Esempio applicativo di localizzazione di un veicolo

3
Switching observation model

• Insieme degli stati di lavoro dei sensori

dove:

• Coefficiente di affidabilità:

dove

• Iperparametro

4
Differenze tra:
Particle standard Particle per switching
observation
models
Inizializzazione:

Iterazioni:
Particle per switching observation models: differenze
Sincrono Asincrono
Rao–Blackwellized particle filter
for switching observation models
Confronto con il modello Markoviano

• Modello Jump Markov System JMS o JMLS (se Lineare e Gaussiano):

dipende dallo stato precedente

• Nel nuovo modello non si fa un’assunzione Markoviana per la variabile C t, ma per il


coefficiente di affidabilità :

Si ha memoria sugli stati passati dei sensori invece di considerare soltanto l’ultimo stato.

La memoria è regolata da iperparametri .


(ad un alto valore corrisponde una maggiore memoria)
Esempio accademico
Modello lineare e gaussiano e 2 sensori sincroni.
I sensori sono potenzialmente difettosi.

• Si utilizza un algoritmo simile al Rao-Blackwellized per il caso sincrono.


• Si simula il fallimento dei sensori in due intervalli di tempo T1 e T2.
• La simulazione è stata eseguita 500 volte e l’errore medio assoluto è indicato nella tabella I:

In T1 si hanno migliori risultati con il modello JMLS, in T2 e complessivamente è migliore il nuovo


approccio.
Applicazione: localizzazione di un veicolo

11
Sensori

Il veicolo è equipaggiato con tre sensori:

• Sensore GPS:
• asincrono rispetto agli altri e con frequenza 5Hz
• con due stati di lavoro: uno nominale corretto e uno difettoso
in cui le misure sono errate.
• la variabile degli stati di lavoro C sarà binaria {0,1}.

• Sensore di velocità: sincrono con frequenza di 40Hz, si suppone


affidabile

• Sensore di sterzata: sincrono con frequenza di 40Hz, si suppone


affidabile

12
Modello non lineare:

dove:

• f1 la funzione di transizione di stato


• il vettore di stato
• il rumore di processo a media nulla, covarianza
• G matrice di trasferimento del rumore

13
Algoritmo: Rao-Blackwellized UKF

14
Simulazione errori

Sono stati introdotti due tipi di errori per testare l’algoritmo:


 Simulazione di un multipath e diffrazione aggiungendo alle misure reali un
offset casuale. I multipath sono simulati agli intervalli T1[50-60] T2[62-68]
T3[75-80].

 Simulazione dello slittamento del veicolo sostituendo all’angolo di sterzata


osservato un valore errato all’intervallo T4[12-14].

15
Simulazione errori
• Variabile di stato GPS:
• C = 0 (non corretto)
• C = 1 (corretto)

• Stima del coefficiente di


affidabilita α

T1, T2, T3 16
Risultati

T4 T1, T2, T3 17
Risultati

T4 T1, T2, T3 18
Conclusioni

• Modello in grado di gestire diverse condizioni di lavoro dei sensori, in casi


sincroni ed asincroni.

• Efficienza del filtro particle Rao-Blackwellized UKF – caso asincrono per la


localizzazione del veicolo.

19

Potrebbero piacerti anche