Modelos baseados em funções Kernel para localização de veículos autônomos subaquáticos

Abstract

Esta tese aborda a análise do sistema de localização acústica de veículos subaquáticos em uma configuração dita de base longa auxiliada por sensores inerciais. Para o processo de filtragem de dados, o filtro de Kalman, em sua versão estendida EKF (Extended Kalman Filter), é utilizado de modo a aproveitar toda informação relacionada aos estados do veículo proveniente dos sensores. O foco do trabalho está no processo de aprendizagem a partir de dados com vistas à identificação das medições errôneas do tempo de chegada da sonda sonora e à correção das mesmas. As técnicas exploradas para essas finalidades são o AAKR (AutoAssociative Kernel Regression) e o SVDD (Support Vector Data Description). O objetivo é melhorar a estimação dos estados do veículo (posição, velocidade e orientação) provenientes dos sensores inerciais, aproveitando um conjunto de medições corretas obtidas durante a navegação ou em missões anteriores à atual. A melhoria no desempenho do sistema de localização foi analisado por simulação utilizando dados experimentais obtidos em missões com veículos de baixo custo e modelos de propagação acústica que inserem desvios factíveis aos tempos de chegada medidos. Os resultados são comparados ao desempenho obtido com uma solução clássica para a localização acústica de veículos autônomos em ambiente subaquático. Destaca-se ainda que a arquitetura proposta não se apresenta firmemente acoplada ou fortemente dependente de qualquer outro algoritmo presente no veículo, o que a caracteriza como uma solução bastante modular com a possibilidade de estendê-la a outras aplicações.<br>

Abstract : This thesis deals with the analysis of an acoustic localization system in a long baseline configuration for navigation of underwater vehicles aided by inertial sensors. For the process of filtering data, the Extended Kalman Filter (EKF) is used in order to take advantage of all information related to the states of the vehicle from the sensors. The focus is on the process of learning from data with a view to identify erroneous measurements of the time of flight of the acoustic signal and correct eventual deviations in this quantity. The techniques used for these purposes are AAKR (AutoAssociative Kernel Regression) and SVDD (Support Vector Data Description). The objective is to improve the accuracy of the estimates of the vehicle s states (position, velocity and orientation) coming from the inertial sensors, taking advantage of a set of correct measurements obtained during prior navigations or in the current missions. The improved performance of the tracking system is evidenced by the data obtained using in field missions with low-cost vehicles and acoustic propagation models that insert feasible deviations to arrival times measured. The results are compared with the performance obtained with other classical solution to acoustic localization task in underwater environment of autonomous vehicles. It is highlighted also that the proposed architecture is not tightly coupled to any other algorithm running in the vehicle , which characterizes the approach as a very modular and cost-effective computing solution.