A real-time DVL and pressure sensor AINS comparison study between EKF, ESKF and NLO for Manta-2020

Abstract

Denne rapporten presenter en sanntids doppler velocity logger og trykksensor hjulpet treghets navigasjons system. Den sammenligner en feil-tilstand Kalman tilstandestimator basert på Joan Solà versjon [2] med gyro og akkselerometer bias-estimering, en ulinær tilstandestimor basert på [3] med gyro bias-estimering og et forlenget Kalman filter på Manta-2020 autonome-undervannsfarkosten med bruk av robot operativ system plattformen (ROS). De to implementerte tilstandestimatorene ESKF og EKF er veldig nylige filtere i deres felt. En sammenligning av fire eksperimentelle test senarior var gjort på Tyholt i Trondheim. Dette inkluderte to "overvanns" tester og to undervanns tester. Første overvanns test var en åttetalls-aktig test, mens andre overvanns test var en 30 minutters firkant-aktig test. For undervannstestene, var første test en firkant-aktig test og andre test var en sinsus-funksjons-aktig test. Rosbag resultatene av filterene var da lagt inn i MATLAB for å produsere figurer av 3D øst,nord og høyde, posisjon, hastighet, attityde, bias estimasjonene, posisjonsfeilene, hastighetsfeilene og tilslutt DVL og trykksensor NIS verdiene. IMU-sensor buffering, IMU-viltpunkt filtrering og sensor-synkronisering var lagt til for å få bedre tilstandsestimar på tilstandsestimatorene.

This thesis presents a real-time doppler velocity logger and pressure aided inertial navigation system comparison between an error-state Kalman filter with acceleration and gyro bias estimation, a nonlinear observer with gyro bias estimation and a extended Kalman filter on Manta-2020 autonomous underwater vehicle using the Robot operating system platform. The two implemented state estimators, ESKF and NLO, are two very recent filters in their respective field. A comparison between four real world testing scenarios were performed at the MC-lab at Tyholt in Trondheim. These included two "above water" tests and two underwater tests. The "above water" tests included a one round eight-shaped test and a 30 minutes square-shaped test. For the underwater tests this included an square-shaped test and a sinusoidal-shaped test. The comparison were then compared to MATLAB produced figures with a 3D east-north-altitude plot, position, velocity, attitude, bias estimates, position error, velocity error, altitude error and lastly the NIS values. IMU-sensor buffering, IMU-wild point filtering and sensor-synchronization were added to get better filter estimates.