Estimación de estados de vehículos terrestres usando estimación de horizonte móvil con mediciones redundantes de gps de bajo coste incorporando restricciones geométricas

Abstract

En este proyecto, se implementa un algoritmo de Estimación de Horizonte Móvil (MHE, por las siglas en inglés de Moving Horizon Estimation) en Matlab para mejorar las mediciones proporcionadas por cuatro unidades GPS, dos de baja precisión y dos de alta precisión en sus mediciones, montados en un robot Husky A200. La estimación se compara directamente con un sensor de posición RTK (por sus siglas en inglés Real-Time Kinematic positioning) de precisión centimétrica y un filtro ampliamente utilizado en la industria y academia para la estimación de estados de sistemas dinámicos no lineales, el Filtro Extendido de Kalman (EKF, por las siglas en inglés de Extended Kalman Filter). MHE muestra ser un mejor algoritmo de estimación que EFK cuando se necesita seguir trayectorias que abarcan grandes distancias, especialmente cuando las condiciones iniciales son muy ruidosas, pero su rendimiento decae en entornos de área reducida y desplazamientos de curvas cerradas, llegando a ser similar al EKF. Aunque el rendimiento no cumplió con las expectativas establecidas por las simulaciones, se logra superar un método tradicional de estimación en entornos no ideales al aprovechar información a priori en forma de restricciones de optimización. In this project, a Moving Horizon Estimation (MHE) algorithm is implemented in Matlab to improve the measurements provided by four GPS units, two with low precision and two with high precision measurements, mounted on a Husky A200 robot. The estimation is directly compared with a Real-Time Kinematic Positioning (RTK) sensor with centimetre-level accuracy and a widely used filter in both industry and academia for estimating states of nonlinear dynamic systems, the Extended Kalman Filter (EKF). MHE proves to be a better estimation algorithm than EKF when tracking trajectories over large distances, especially under highly noisy initial conditions. However, its performance declines in small-area environments and tight-curve maneuvers, where it becomes comparable to the EKF. Although the results did not fully meet the expectations set by simulations, the method outperforms traditional estimation approaches in non-ideal environments by leveraging a priori information in the form of optimization constraints.