Capteurs MEMS : optimisation des méthodes de traitement capteurs, de navigation et d'hybridation

MEMS sensors : preprocessing and GNSS/MEMS navigation optimization

• Auteur / Autrice : Jean-Rémi de Boer
• Direction : Jean-Yves Tourneret, Vincent Calmettes
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Acoustique et Optimisation
• Date : Soutenance le 12/01/2010
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
• Jury : Examinateurs / Examinatrices : Jean-Yves Tourneret, Vincent Calmettes, Jacques Blanc-Talon, Corinne Mailhes
• Jury : Rapporteurs / Rapporteuses : André Ferrari, Guillaume Gellé

Mots clés

Mots clés libres

Gnss

Mems

Gnss/ins

Hybridation

Perte de signal GNSS

Réseau de neurones

Gnss

Gnss/ins

GNSS signal loss

Neural network

Hybridization

Mems

Résumé

Les travaux menés durant cette thèse ont pour objectif d’améliorer les performances des systèmes hybrides GNSS/MEMS. Ils se décomposent en deux parties distinctes : d’une part, le développement d’un ensemble de traitement capteurs cherchant à améliorer la mesure elle-même et d’autre part, l’optimisation des algorithmes d’hybridation pour les capteurs MEMS de Thales. Le traitement capteur consiste en l’estimation de l’accélération vraie (resp. la vitesse angulaire vraie) à partir de la sortie du capteur accélérométrique (resp. gyrométrique). Ce traitement a été réalisé en deux sous-étapes : 1) La calibration qui consiste en l’identification du système non-linéaire connaissant ses entrées et ses sorties. Les relations entrant en jeu dans le modèle étant linéaires vis-à-vis des paramètres, on peut alors résoudre cette partie du problème par l’estimateur des moindres carrés (après extension du vecteur comprenant les entrées afin qu’il comporte les non linéarités). 2) L’inversion du modèle qui a pour but d’estimer les entrées du modèle connaissant ses sorties et l’estimation des paramètres effectuée durant l’étape de calibration. Après formalisation de ce problème sous forme d’un modèle dynamique, la résolution se fera à l’aide d’algorithme type filtre de Kalman ou filtre particulaire. Les algorithmes d’hybridation ont pour but de localiser un mobile dans l’espace connaissant l’information issue des MEMS ainsi que celle apportée par le GPS. Cette partie peut également se décomposer en deux sous-problèmes : 1) Lorsque que les signaux GPS sont disponibles (cas nominal), le but est d’améliorer les méthodes de navigation hybride GPS/INS existantes (EKF, UKF, PF, …). Dans notre cas, la réflexion a portée sur une modélisation à l’ordre 2 des biais des capteurs MEMS et sur la fermeture de la boucle de navigation (correction de la centrale inertielle à l’aide des erreurs issues du filtre d’hybridation). 2) Dans des scénarii défavorables (multitrajet et masquage des signaux GPS), la qualité des capteurs MEMS ne permet pas d’obtenir des résultats de navigation satisfaisants. Un algorithme basé sur un réseau de neurones a donc été développé. Durant les phases où le GPS est disponible, cet algorithme permet d’apprendre l’erreur commise par la centrale inertielle en mode survie par rapport au résultat de navigation hybride. Le réseau de neurones ainsi appris fournira alors cet élément de correction en cas de perte de l’information GPS. Ces différentes méthodes ont permis d’accroître la précision de la navigation GNSS/MEMS aussi bien dans le cas nominal que lors de pertes du signal GPS

The goal of this thesis is to improve accuracy of GNSS/MEMS integrated navigation system. Two main parts can be distinguished in this thesis: first, sensor processing can be achieved to improve measurement accuracy and then, navigation algorithm can be optimized for the specific case of MEMS sensors. Sensor processing is the estimation of real acceleration (resp. real angular rate) from the one measured by accelerometer (resp. gyrometer). This processing have been realized in two steps: 1) Calibration: identification of the non-linear system describing sensors (resolved by Least Square method). 2) Model inversion: estimation of the input of the non-linear system, i.e. acceleration and/or angular rate (resolved by Kalman filtering). Navigation algorithm have then to locate an object in space from both GNSS and MEMS data. This part have been also realized in two steps: 1) If GNSS signals are available, the goal is to improve the existing GNSS/INS navigation schemes (2nd-order bias modeling of MEMS sensors). 2) If GNSS are not available (e.g. multipath or outage), a Neural Network based algorithm have been developped, which learn the error made by the inertial platform during the unavailability of GNSS signals. These different methods have allowed to improve accuracy of GNSS/MEMS inetgrated navigation system both for nominal case and degraded case