Luận án nghiên cứu tích hợp hệ thống GNSS/INS trên thiết bị thông minh ứng dụng trong trắc địa bản đồ

Hệ thống định vị toàn cầu (GNSS) cung cấp thông tin vị trí, vận tốc, thời gian chính xác. Các hệ thống con bao gồm GPS, Galileo, GLONASS, và BeiDou. GNSS hoạt động tốt ở môi trường mở. Tuy nhiên, tín hiệu GNSS dễ bị mất hoặc suy yếu trong môi trường đô thị dày đặc, trong nhà hoặc dưới tán cây. Hệ thống dẫn đường quán tính (INS) sử dụng dữ liệu từ đơn vị đo lường quán tính (IMU). IMU bao gồm con quay hồi chuyển và gia tốc kế. INS cung cấp dữ liệu định vị, định hướng liên tục và có độ tần số cao. INS không phụ thuộc vào tín hiệu bên ngoài. Tuy nhiên, sai số INS tích lũy nhanh chóng theo thời gian. Sự tích hợp GNSS và INS mang lại lợi ích bổ sung cho nhau. GNSS hiệu chỉnh sai số tích lũy của INS. INS duy trì độ chính xác khi tín hiệu GNSS yếu hoặc mất.

Tích hợp GNSS/INS tạo ra một hệ thống định vị mạnh mẽ hơn. Hệ thống duy trì độ chính xác, độ tin cậy cao hơn. Vị trí được xác định liên tục. Định hướng của đối tượng cũng được cung cấp. Khả năng hoạt động trong môi trường phức tạp tăng lên. Điều này đặc biệt quan trọng cho các ứng dụng yêu cầu độ chính xác cao. Ví dụ như trắc địa, bản đồ, điều hướng tự động. Thiết bị thông minh ngày càng tích hợp các cảm biến này. Nghiên cứu tập trung vào việc tận dụng chúng.

Thiết bị thông minh trang bị MEMS-IMU. Các cảm biến này có kích thước nhỏ, giá thành thấp. Tuy nhiên, độ chính xác của MEMS-IMU thấp hơn cảm biến cấp công nghiệp. Nhiễu và sai số cảm biến lớn. Nguồn tài nguyên tính toán trên thiết bị thông minh hạn chế. Năng lượng tiêu thụ cũng là một yếu tố cần cân nhắc. Việc tối ưu hóa thuật toán tích hợp là cần thiết. Cần phát triển các phương pháp bù sai số hiệu quả. Điều này giúp hệ thống tích hợp hoạt động tối ưu.

Cảm biến quán tính (IMU) trên thiết bị thông minh thường là loại MEMS-IMU. Chúng có nhiều nguồn sai số. Sai số bao gồm nhiễu ngẫu nhiên, độ trôi bias, sai số tỷ lệ (scale factor). Sai số phi tuyến cũng xuất hiện. Nhiễu ngẫu nhiên gây dao động tín hiệu. Độ trôi bias làm dịch chuyển giá trị đo theo thời gian. Các sai số này ảnh hưởng lớn đến độ chính xác của Hệ thống dẫn đường quán tính. Việc mô hình hóa sai số là bước đầu tiên. Nó giúp hiểu rõ bản chất nhiễu. Từ đó, các phương pháp bù nhiễu có thể được phát triển.

Hiệu chuẩn cảm biến là quá trình xác định các tham số sai số. Quá trình này giúp giảm thiểu ảnh hưởng của chúng. Các phương pháp hiệu chuẩn có thể là tĩnh hoặc động. Hiệu chuẩn tĩnh thường xác định bias và sai số tỷ lệ. Hiệu chuẩn động xác định các tham số phức tạp hơn. Việc sử dụng các thiết bị tham chiếu có độ chính xác cao là cần thiết. Dữ liệu từ MEMS-IMU được so sánh với giá trị chuẩn. Các thuật toán tối ưu hóa được dùng để tính toán tham số. Hiệu chuẩn giúp cải thiện đáng kể chất lượng dữ liệu. Điều này rất quan trọng cho hiệu suất của hệ thống tích hợp GNSS/INS.

Sau khi hiệu chuẩn, các tham số sai số được áp dụng. Dữ liệu thô từ IMU được hiệu chỉnh. Quá trình này gọi là bù nhiễu. Bù nhiễu giúp loại bỏ các thành phần sai số đã biết. Độ chính xác của dữ liệu IMU được cải thiện. Các thuật toán lọc như Bộ lọc Kalman cũng có thể được sử dụng. Chúng giúp giảm nhiễu ngẫu nhiên còn lại. Dữ liệu IMU sạch hơn là đầu vào tốt hơn. Điều này dẫn đến kết quả định vị của INS chính xác hơn. Hệ thống tích hợp GNSS/INS sẽ hoạt động ổn định hơn.

Hợp nhất cảm biến GNSS/INS thường sử dụng ba kiến trúc chính. Đó là tích hợp lỏng (loose coupling), tích hợp chặt (tight coupling) và tích hợp siêu chặt (ultra-tight coupling). Tích hợp lỏng kết hợp thông tin vị trí và vận tốc từ GNSS và INS riêng lẻ. Đây là cách tiếp cận đơn giản nhất. Tích hợp chặt sử dụng tín hiệu đo thô từ vệ tinh GNSS. Nó kết hợp với thông tin của INS. Cách này giúp cải thiện hiệu suất trong môi trường tín hiệu yếu. Tích hợp siêu chặt còn sâu hơn. Nó kiểm soát vòng lặp thu bám tín hiệu GNSS. Mỗi kiến trúc có ưu và nhược điểm riêng. Việc lựa chọn phụ thuộc vào yêu cầu ứng dụng, môi trường hoạt động. Luận án này có thể tập trung vào tích hợp lỏng hoặc chặt. Đây là hai phương pháp phổ biến trên thiết bị thông minh.

Bộ lọc Kalman là thuật toán tối ưu hóa. Nó ước tính trạng thái của một hệ thống động. Nó sử dụng chuỗi các phép đo bị nhiễu. Bộ lọc Kalman cực kỳ hiệu quả trong việc hợp nhất dữ liệu từ nhiều cảm biến. Trong hệ thống GNSS/INS, Bộ lọc Kalman liên tục cập nhật ước tính vị trí, vận tốc, định hướng. Nó sử dụng dữ liệu từ INS và GNSS. Dữ liệu INS cung cấp ước tính trạng thái. Dữ liệu GNSS cung cấp phép đo quan sát. Bộ lọc Kalman kết hợp hai nguồn thông tin. Nó tạo ra ước tính tối ưu. Điều này giảm thiểu sai số của hệ thống. Đây là xương sống của hầu hết các hệ thống tích hợp GNSS/INS hiện đại.

Bộ lọc Kalman tiêu chuẩn áp dụng cho các hệ thống tuyến tính. Hệ thống GNSS/INS là phi tuyến. Do đó, cần các biến thể của Bộ lọc Kalman. Bộ lọc Kalman mở rộng (EKF) là một trong số đó. EKF tuyến tính hóa mô hình hệ thống tại điểm ước tính hiện tại. Nó hoạt động tốt trong nhiều trường hợp. Tuy nhiên, việc tuyến tính hóa có thể gây ra sai số. Bộ lọc Kalman không định hướng (UKF) là một lựa chọn khác. UKF sử dụng phương pháp biến đổi không định hướng. Nó chọn các điểm sigma để ước tính phân phối phi tuyến. UKF thường đạt độ chính xác cao hơn EKF. UKF cũng xử lý các hệ thống phi tuyến tốt hơn. Cả EKF và UKF đều là những công cụ mạnh mẽ. Chúng được dùng để nâng cao hiệu suất của hệ thống tích hợp GNSS/INS.

EKF là một thuật toán lọc phi tuyến phổ biến. Nó được dùng rộng rãi trong các hệ thống tích hợp GNSS/INS. EKF hoạt động bằng cách tuyến tính hóa mô hình hệ thống và mô hình đo lường. Quá trình tuyến tính hóa được thực hiện xung quanh điểm trạng thái ước tính. EKF gồm hai bước chính: dự đoán và cập nhật. Bước dự đoán sử dụng mô hình động lực của INS để ước tính trạng thái tiếp theo. Bước cập nhật sử dụng phép đo từ GNSS để hiệu chỉnh ước tính. Ma trận Jacobian được sử dụng để tính toán các ma trận hiệp phương sai. Điều này cho phép EKF xử lý tính phi tuyến của hệ thống. EKF hiệu quả về mặt tính toán. Nó cung cấp một giải pháp tốt cho việc hợp nhất cảm biến trên thiết bị thông minh.

UKF là một biến thể tiên tiến của Bộ lọc Kalman. Nó được thiết kế để xử lý các hệ thống phi tuyến mạnh. UKF không thực hiện tuyến tính hóa trực tiếp. Thay vào đó, nó sử dụng một tập hợp các điểm sigma. Các điểm này được chọn để nắm bắt phân bố xác suất của trạng thái. Các điểm sigma sau đó được truyền qua hàm phi tuyến của hệ thống. Kết quả được dùng để ước tính trạng thái và hiệp phương sai. UKF thường có độ chính xác cao hơn EKF. Đặc biệt khi hệ thống có tính phi tuyến cao. UKF có thể yêu cầu nhiều tài nguyên tính toán hơn EKF. Tuy nhiên, nó mang lại sự cải thiện đáng kể về hiệu suất. Nghiên cứu tập trung vào việc tối ưu hóa UKF. Mục tiêu là phù hợp với khả năng của thiết bị thông minh.

Việc lựa chọn và tinh chỉnh Bộ lọc Kalman rất quan trọng. Nó ảnh hưởng đến độ ổn định của hệ thống tích hợp GNSS/INS. Cả EKF và UKF đều có thể được tối ưu hóa. Các tham số như ma trận nhiễu quá trình và nhiễu đo lường cần được điều chỉnh. Việc điều chỉnh chính xác giúp Bộ lọc Kalman hoạt động hiệu quả hơn. Nó giảm thiểu ảnh hưởng của nhiễu. Nó cũng ngăn chặn sự phân kỳ của bộ lọc. Các kỹ thuật như adaptive Kalman filtering có thể được áp dụng. Chúng giúp bộ lọc tự điều chỉnh các tham số theo môi trường. Mục tiêu cuối cùng là đảm bảo hệ thống tích hợp hoạt động ổn định. Nó cung cấp dữ liệu định vị, định hướng liên tục, chính xác.

Thử nghiệm trên thực địa là bước quan trọng. Nó đánh giá hiệu suất của hệ thống tích hợp GNSS/INS. Môi trường thử nghiệm cần đa dạng. Nó bao gồm khu vực đô thị có nhiều vật cản. Nó cũng bao gồm khu vực mở. Tuyến tham chiếu có độ chính xác cao cần được thiết lập. Công nghệ RTK với máy thu Trimble R2 có thể được sử dụng. Điều này cung cấp dữ liệu vị trí chuẩn. Các thiết bị thông minh được trang bị GNSS và MEMS-IMU. Chúng được gắn trên phương tiện di chuyển. Dữ liệu thô từ các cảm biến được thu thập. Các điều kiện môi trường như che khuất tín hiệu GNSS được ghi lại.

Hiệu suất của hệ thống tích hợp được đánh giá. Các chỉ số bao gồm độ chính xác vị trí, vận tốc và định hướng. Kết quả từ hệ thống tích hợp được so sánh với tuyến tham chiếu. Sai số định vị được tính toán. Phân tích thống kê được thực hiện. Các yếu tố ảnh hưởng đến hiệu suất được xác định. Điều này bao gồm chất lượng tín hiệu GNSS. Nó cũng bao gồm sự biến động của IMU. So sánh giữa các phương pháp tích hợp (EKF, UKF) có thể được thực hiện. Điều này giúp xác định thuật toán tối ưu.

Hiệu suất của hệ thống tích hợp thay đổi theo môi trường. Trong môi trường mở, GNSS hoạt động tốt. Hệ thống tích hợp sẽ có độ chính xác cao. Trong môi trường đô thị, tín hiệu GNSS bị che khuất. Lúc này, INS đóng vai trò quan trọng. INS duy trì định vị trong thời gian mất tín hiệu GNSS ngắn. Hệ thống tích hợp GNSS/INS thể hiện khả năng phục hồi. Nó duy trì định vị ổn định hơn so với chỉ GNSS. Phân tích này cung cấp cái nhìn sâu sắc. Nó về khả năng hoạt động của hệ thống trong các tình huống thực tế. Kết quả thử nghiệm giúp xác nhận tính hiệu quả của giải pháp nghiên cứu.

Hệ thống tích hợp GNSS/INS mang lại lợi ích lớn cho lĩnh vực trắc địa. Nó cung cấp khả năng định vị liên tục, độ chính xác cao. Ngay cả trong môi trường khó khăn. Điều này giúp các nhà trắc địa thu thập dữ liệu hiệu quả hơn. Ví dụ, trong khảo sát địa hình đô thị. Hoặc trong việc đo đạc các công trình phức tạp. Việc sử dụng thiết bị thông minh tích hợp giảm chi phí. Nó cũng tăng tính linh hoạt. Kết quả định vị chính xác hỗ trợ lập bản đồ chi tiết. Nó cũng hỗ trợ quản lý tài nguyên đất đai.

Hệ thống GNSS/INS trên thiết bị thông minh tăng tốc độ thu thập dữ liệu. Nó cho phép người dùng di chuyển liên tục. Không cần dừng lại để chờ tín hiệu GNSS ổn định. Điều này đặc biệt hữu ích trong việc lập bản đồ đường đi. Hoặc khi thu thập dữ liệu cho hệ thống thông tin địa lý (GIS). Kết hợp với các cảm biến khác trên điện thoại. Ví dụ như camera. Nó tạo ra một công cụ thu thập dữ liệu không gian đa năng. Dữ liệu vị trí, định hướng chính xác làm nền tảng. Nó giúp tự động gắn thẻ địa lý cho hình ảnh hoặc video.

Giải pháp tích hợp GNSS/INS mở ra tiềm năng lớn. Nó giúp phát triển bản đồ và GIS. Các bản đồ có thể được cập nhật thường xuyên hơn. Với chi phí thấp hơn. Thông tin không gian thời gian thực trở nên dễ tiếp cận. Điều này hỗ trợ các ứng dụng như quy hoạch đô thị thông minh. Nó cũng hỗ trợ quản lý hạ tầng. Công nghệ này dân chủ hóa việc thu thập dữ liệu trắc địa. Nó cho phép nhiều người dùng đóng góp vào việc tạo ra dữ liệu không gian. Đây là một bước tiến quan trọng. Nó hướng tới một thế giới số hóa, kết nối hơn.