Luận án Nghiên cứu giải pháp tích hợp hệ thống gnss/ins trên thiết bị thông minh ứng dụng trong trắc địa - Bản đồ

số tỷ lệ có giá trị khác nhau. Do đó, tất cả các thiết bị đều phải được hiệu chuẩn trước khi sử dụng cho mục đích định vị tích hợp GNSS/INS. Bảng 3.4: Các hệ số cảm biến tốc độ góc (C6D) Thiết bị Độ lệch (o/h) Hệ số tỷ lệ (ppm) Hệ số chéo trục (ppm) bxg byg bzg SXXg SY Y g SZZg SXY g SXZg SY Xg SY Zg SZXg SZY g TB1 -4,891 9,255 -1,954 92 -245 11 - - - - - - TB2 -444 3,732 1,337 387 -64 -376 - - - - - - 1 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ 2 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial FK1NTA7VG5QM Bảng 3.5: Các hệ số cảm biến tốc độ góc (C6W) Thiết bị Độ lệch (o/h) Hệ số tỷ lệ (ppm) Hệ số chéo trục (ppm) bxg byg bzg SXXg SY Y g SZZg SXY g SXZg SY Xg SY Zg SZXg SZY g TB1 -5,0529,156-1,965 1,668,021 -11,264,923 -398,757 11,135,627 -6,593,122 -5,791,774 -9,432,627 355,756 1,672,976 TB2 -447 3,814 1,275 13,648,975 -3,072,676 -14,160,963-1,5861,391-38,644,801 2,800,376 -27,166,374-626,534 -78,615 1 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ 2 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial FK1NTA7VG5QM Bảng 3.4 và 3.5 là các thông số độ lệch và các hệ số tỷ lệ của cảm biến tốc độ góc trong iPhone 6 Plus của hai kỹ thuật. Sử dụng mô hình bù nhiễu 1.4 cho kết quả ở Hình 3.2. Từ kết quả ở Bảng 3.4 và 3.5, Hình 3.2 cho thấy, độ lệch của cả hai kỹ thuật là tương đương nhau. Tuy nhiên, với kỹ thuật hiệu chuẩn C6W khi không dùng thiết bị chính xác để làm tham chiếu thì hệ số tỷ lệ và yếu tố không trực giao của cảm biến tốc độ góc có sự bất thường. Điều này hoàn toàn phù hợp với kết luận của El-Diasty và cộng sự [12], Shashi Poddar và cộng sự [47], và như đã giải thích ở mục 1.4.2. Với kỹ thuật C6W và cùng một dữ liệu, sau khi áp dụng phương pháp chuẩn hóa sự ảnh hưởng của ωe được đề xuất đã cho kết quả phù hợp hơn như thể hiện ở Bảng 3.6 và Bảng 3.7. Kết quả xác định độ lệch, hệ số tỷ lệ và yếu tố không trực giao của các trục cảm thể hiện ở các Hình 3.3, 3.4 và 3.5. Độ tin cậy của phương pháp đề xuất đã được kiểm chứng thông qua thực nghiệm. Như vậy, 77 với phương pháp chuẩn hóa sự ảnh hưởng của ωe được đề xuất để cải tiến kỹ thuật C6W đã mang lại hiệu quả, cụ thể là không cần đến thiết bị hiệu chuẩn chuyên dụng trong kỹ thuật C6W cải tiến. 1.115 1.1151 1.1151 1.1152 1.1152 1.1153 1.1153 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc X o vi tri Up (Phuong phap C6D) X up (du lieu tho) X up (da bu nhieu) 1.1156 1.1156 1.1157 1.1157 1.1158 1.1158 1.1159 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc X o vi tri Down (Phuong phap C6D) X down (du lieu tho) X down (da bu nhieu) 1.115 1.1151 1.1151 1.1152 1.1152 1.1153 1.1153 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc X o vi tri Up (Phuong phap C6W) X up (du lieu tho) X up (da bu nhieu) 1.1156 1.1156 1.1157 1.1157 1.1158 1.1158 1.1159 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc X o vi tri Down (Phuong phap C6W) X down (du lieu tho) X down (da bu nhieu) 1.1162 1.1162 1.1163 1.1163 1.1164 1.1164 1.1165 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc Y o vi tri Up (Phuong phap C6D) Y up (du lieu tho) Y up (da bu nhieu) 1.1167 1.1168 1.1168 1.1169 1.117 1.117 1.1171 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc Y o vi tri Down (Phuong phap C6D) Y down (du lieu tho) Y down (da bu nhieu) 1.1162 1.1162 1.1163 1.1163 1.1164 1.1164 1.1165 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc Y o vi tri Up (Phuong phap C6W) Y up (du lieu tho) Y up (da bu nhieu) 1.1167 1.1168 1.1168 1.1169 1.117 1.117 1.1171 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc Y o vi tri Down (Phuong phap C6W) Y down (du lieu tho) Y down (da bu nhieu) 1.1173 1.1173 1.1174 1.1174 1.1175 1.1175 1.1176 1.1176 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc Z o vi tri Up (Phuong phap C6D) Z up (du lieu tho) Z up (da bu nhieu) 1.1178 1.1179 1.1179 1.1179 1.118 1.118 1.1181 1.1181 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc Z o vi tri Down (Phuong phap C6D) Z down (du lieu tho) Z down (da bu nhieu) 1.1173 1.1173 1.1174 1.1174 1.1175 1.1175 1.1176 1.1176 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc Z o vi tri Up (Phuong phap C6W) Z up (du lieu tho) Z up (da bu nhieu) 1.1178 1.1179 1.1179 1.1179 1.118 1.118 1.1181 1.1181 x 10 5 −0.05 0 0.05 Thoi gian (s) T o c d o g o c ( ra d /s ) Toc do goc truc Z o vi tri Down (Phuong phap C6W) Z down (du lieu tho) Z down (da bu nhieu) Hình 3.2: Dữ liệu đầu ra và bù nhiễu của cảm biến tốc độ góc 78 Bảng 3.6: Các hệ số cảm biến gia tốc (C6W phương pháp đề xuất) Thiết bị Độ lệch (mGal) Hệ số tỷ lệ (ppm) Hệ số chéo trục (ppm) bxa bya bza SXXa SY Y a SZZa SXY a SXZa SY Xa SY Za SZXa SZY a TB1 4,739 26,946 7,267 -1,798 -2,017 963 3,170 -16,064 4,613 -385 16,098 -4,836 TB2 5,392 20,525 4,475 -2,759 -2,552 519 2,348 -26,971 4,671 19,948 22,476 -17,589 1 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ 2 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial FK1NTA7VG5QM Bảng 3.7: Các hệ số cảm biến tốc độ góc (C6W phương pháp đề xuất) Thiết bị Độ lệch (o/h) Hệ số tỷ lệ (ppm) Hệ số chéo trục (ppm) bxg byg bzg SXXg SY Y g SZZg SXY g SXZg SY Xg SY Zg SZXg SZY g TB1 -5,056 9,159 -1,965 92 -245 11 267 -193 -188 -256 9 40 TB2 -446 3,820 1,277 387 -64 -376 -417 -949 60 -648 -5 -15 1 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ 2 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial FK1NTA7VG5QM -1 0 1 Gia toc (g) -0.05 0 0.05 Ca m b ie n gi a to c Do lech (X) -1 0 1 Gia toc (g) -0.05 0 0.05 Sa i s o (g) Do lech (Y) -1 0 1 Gia toc (g) -0.05 0 0.05 Sa i s o (g) Do lech (Z) -1 0 1 Toc do goc (rad/s) -0.05 0 0.05 Ca m b ie n to c do g oc -1 0 1 Toc do goc (rad/s) -0.05 0 0.05 Sa i s o (ra d/s ) -1 0 1 Toc do goc (rad/s) -0.05 0 0.05 Sa i s o (ra d/s ) Hình 3.3: Sai số do độ lệch trục (Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ) 79 -1 0 1 Gia toc (g) -0.01 -0.005 0 0.005 0.01 Ca m b ie n gi a to c Sai so he so ty le (X) -1 0 1 Gia toc (g) -0.01 -0.005 0 0.005 0.01 Sa i s o (g) Sai so he so ty le (Y) -1 0 1 Gia toc (g) -0.01 -0.005 0 0.005 0.01 Sa i s o (g) Sai so he so ty le (Z) -1 0 1 Toc do goc (rad/s) -0.01 -0.005 0 0.005 0.01 Ca m b ie n to c do g oc -1 0 1 Toc do goc (rad/s) -0.01 -0.005 0 0.005 0.01 Sa i s o (ra d/s ) -1 0 1 Toc do goc (rad/s) -0.01 -0.005 0 0.005 0.01 Sa i s o (ra d/s ) Hình 3.4: Sai số do hệ số tỷ lệ trên các trục (Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ) 0 0.2 1 0.4 0.6 Z 1 0.8 Cam bien gia toc misalignment Truc Y 0.5 1 X 0.5 0 0 X Y Z X Acce Y Acce Z Acce 0 0.2 1 0.4 0.6 Z 1 0.8 Cam bien toc do goc misalignment Truc Y 0.5 1 X 0.5 0 0 X Y Z X Gyros Y Gyros Z Gyros Hình 3.5: Sự không trực giao của các trục cảm (Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ) 80 3.2 Phân tích và mô hình hóa dữ liệu cảm biến quán tính 3.2.1 Môi trường thực nghiệm Để thu được kết quả phân tích đáng tin cậy thì Smartphone dùng để thử nghiệm phải được đặt trên một bề mặt ổn định nhằm cách ly với các loại nhiễu từ môi trường. Trong thực nghiệm này, các mẫu thử nghiệm được tiến hành trong Phòng thí nghiệm Địa tin học của Trường Đại học Mỏ - Địa chất với nhiệt độ phòng là 25oC. Phần mềm thu nhận dữ liệu cảm biến SDLogger 1.0 được phát triển để thu nhận dữ liệu cảm biến quán tính trong Smartphone. Thiết bị Smartphone được sử dụng để thử nghiệm là iPhone 6 Plus với hệ điều hành iOS 10.2.1, Serial F2LNJH7TG5QQ. Lập trình tính toán và trình bày kết quả sử dụng phần mềm Matlab R2016b. Dữ liệu cảm biến với thời lượng 3 giờ ổn định để dùng cho việc phân tích phương sai Allan. 3.2.2 Các kết quả và thảo luận 10 -2 10 -1 10 0 10 1 10 2 10 3 10 4 Thoi gian cluster (giay) 10 -5 10 -4 10 -3 10 -2 D o l e c h A lla n ( ) (r a d /s ) Duong cong Allan cua cam bien toc do goc Gyro X Gyro Y Gyro Z B (z) = 0.00144°/s/�Hz B (y) = 0.00291°/s/�Hz B (x) = 0.00524°/s/�Hz N (z) = 0.00525°/s/�Hz N (y) = 0.00738°/s/�Hz N (x) = 0.00902°/s/�Hz Hình 3.6: Đường cong Allan của cảm biến tốc độ góc iPhone 6 Plus 81 10 -2 10 -1 10 0 10 1 10 2 10 3 10 4 Thoi gian cluster (giay) 10 -4 10 -3 10 -2 10 -1 D o l e c h A lla n ( ) (m /s 2 ) Duong cong Allan cua cam bien gia toc Acce X Acce Y Acce Z B (z) = 0.00095m/s²/�Hz B (y) = 0.00018m/s²/�Hz B (x) = 0.00100m/s²/�Hz N (z) = 0.00147m/s²/�Hz N (y) = 0.00052m/s²/�Hz N (x) = 0.00177m/s²/�Hz Hình 3.7: Đường cong Allan của cảm biến gia tốc iPhone 6 Plus Hình 3.6 và Hình 3.7 thể hiện đường cong độ lệch Allan của các cảm biến quán tính trong iPhone 6 Plus được thử nghiệm. Dữ liệu được thử nghiệm có chiều dài là 1,080,000 sai số ước lượng phương sai Allan thay đổi từ 0.07% đến 70.71% phụ thuộc giá trị giá trị của τ . Trên các đường cong biểu thị cho các trục của các cảm biến thì đoạn đầu của đường cong là một đường tương đối thẳng có độ dốc bằng −12 . Kết quả này chứng tỏ rằng nhiễu trắng, ký hiệu là N hay còn gọi là Bước góc ngẫu nhiên (đối với cảm biến tốc độ góc) và Bước vận tốc ngẫu nhiên (đối với cảm biến gia tốc) là tạp nhiễu nổi trội trong khoảng thời gian cluster nhỏ. Trong hầu hết các ứng dụng đơn giản thì chỉ cần quan tâm đến loại nhiễu trắng là loại nhiễu nổi trội. Đối với ứng dụng tích hợp GNSS/INS cần quan tâm thêm đến các loại nhiễu khác tồn tại trong dữ liệu đầu ra của cảm biến. Các hệ số ứng với các giá trị của τ thể hiện ở Bảng 3.8 và giá trị ước lượng các loại nhiễu ở Bảng 3.9. 82 Bảng 3.8: Độ lệch Allan của các cảm biến trong iPhone 6 Plus1 τ (giây) Cảm biến tốc độ góc (o/h) Cảm biến gia tốc (µm/s2) σx σy σz δx δy δz σx σy σz δx δy δz 0.01 262.70 216.19 166.57 57.33 47.18 36.35 12482 4969 16626 2724 1084 3628 0.03 165.99 136.05 103.56 36.22 29.69 22.60 7335 2906 8053 1601 634 1757 0.06 120.81 98.56 74.57 26.36 21.51 16.27 5206 2053 5699 1136 448 1244 0.14 80.37 66.47 49.24 17.54 14.51 10.74 3481 1343 3744 760 293 817 0.34 53.32 44.08 31.83 11.64 9.62 6.95 2400 870 2421 524 190 528 0.81 35.71 29.27 20.90 7.79 6.39 4.56 1868 573 1609 408 125 351 1.00 32.48 26.56 18.90 7.09 5.80 4.12 1774 518 1469 387 113 321 1.42 28.02 22.64 15.99 6.11 4.94 3.49 1623 440 1280 354 96 279 1.74 25.92 20.70 14.52 5.66 4.52 3.17 1540 402 1189 336 88 260 1.95 24.86 19.75 13.75 5.43 4.31 3.00 1495 382 1143 326 83 249 3.00 21.54 16.62 11.33 4.70 3.63 2.47 1338 317 1003 292 69 219 4.67 19.42 13.66 9.28 4.24 2.98 2.02 1196 266 940 261 58 205 11.24 19.30 10.45 6.50 4.21 2.28 1.42 992 195 1130 216 42 246 27.03 26.33 12.90 5.29 5.75 2.81 1.15 1122 181 1716 245 39 374 65.02 40.85 21.40 5.68 8.91 4.67 1.24 1651 249 2332 360 54 509 156.45 60.92 37.23 6.24 13.29 8.12 1.36 2820 396 3063 615 86 668 376.41 93.02 65.30 7.52 20.30 14.25 1.64 4972 622 4329 1085 136 945 905.66 136.92 105.70 14.76 29.88 23.07 3.22 7737 926 6024 1688 202 1314 2179.05 160.31 129.30 28.47 34.98 28.22 6.21 9891 1032 6726 2158 225 1468 5242.89 175.69 15.29 58.66 38.34 3.34 12.80 9217 828 7503 2011 181 1637 1 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ Bảng 3.9: Ước lượng các nhiễu của cảm biến quán tính iPhone 6 Plus1 Loại nhiễu Ký hiệu Cảm biến tốc độ góc (o/h/ √ Hz) Cảm biến gia tốc (µm/s2/ √ Hz) σx σy σz RMS σx σy σz RMS Lượng tử hóa Q 25.96 20.74 14.55 20.94 1542 402 1191 1148 Bước ngẫu nhiên N 32.48 26.56 18.90 26.57 1774 518 1469 1363 Bất ổn độ lệch B 19.30 10.45 5.29 13.03 992 181 940 796 Tỷ lệ bước ngẫu nhiên K 21.54 16.62 11.33 17.02 1338 317 1003 983 Tỷ lệ răng cưa R 28.07 22.68 16.03 22.80 1625 441 1282 1222 1 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ 83 Đối với trục Z của cảm biến gia tốc xuất hiện đường cong đoạn có độ dốc +12 cho thấy nhiễu tỉ lệ bước ngẫu nhiên cũng xuất hiện nổi trội. Kết quả trên hoàn toàn phù hợp với kết luận của El-Sheimy, Hou, and Niu rằng nếu chỉ sử dụng phân tích PSD thì chỉ có thể rút ra được độ lệch chuẩn của nhiễu trắng. Khi sử dụng phương sai Allan sẽ đánh giá toàn diện được các thành phần nhiễu khác xuất hiện trong cảm biến [13]. Phương pháp Allan trình bày ở trên cho 0 5 10 15 20 25 30 Thoi gian (giay) -50 0 50 100 G oc (o ) IMU cua iPhone 6 Plus chua bu nhieu roll pitch yaw 0 5 10 15 20 25 30 Thoi gian (giay) -0.5 0 0.5 1 G oc (o ) IMU cua iPhone 6 Plus da bu nhieu roll pitch yaw Hình 3.8: IMU của iPhone 6 Plus ở vị trí Zup phép mô tả một cách hệ thống các đặc trưng của các nhiễu ngẫu nhiên chứa trong dữ liệu đầu ra của cảm biến quán tính. Dựa vào đường cong đặc trưng thiết lập từ phép phân tích chuỗi dữ liệu trong miền thời gian, có thể dễ dàng xác định các kiểu và mức độ của từng loại nhiễu tồn tại trong dữ liệu đầu ra của cảm biến ở những tần số khác nhau. Sử dụng các kết quả phân tích nhiễu của cảm biến iPhone 6 Plus serial 84 F2LNJH7TG5QQ ở Chương 1 để đưa vào mô hình toán học xây dựng IMU trong iPhone. Sử dụng chính những dữ liệu hiệu chuẩn sáu vị trí và cho kết quả tư thế của thiết bị hoàn toàn phù hợp với thực tế như Hình 3.8. Dữ liệu thử nghiệm thể hiện ở Hình 3.8 là của thiết bị iPhone 6 Plus serial F2LNJH7TG5QQ trong điều kiện ổn định trên một mặt phẳng nằm ngang, trục Z của cảm biến hướng lên trên. Từ kết quả ở Hình 3.8 cho thấy, khi sử dụng dữ liệu thô chưa được bù nhiễu tất định và nhiễu thống kê thì xuất hiện độ trôi tư thế khá lớn. Sau khi dữ liệu đầu ra của cảm biến được bù nhiễu thì kết quả tư thế của thiết bị được xác định sau 10 giây và ổn định. 3.3 Tích hợp GNSS/INS trên Smartphone 3.3.1 Môi trường thực nghiệm Thực nghiệm được tiến hành bằng cách gắn Smartphone cố định trên phương tiện di chuyển là ô-tô, phần mềm được lập là SDLogger 1.0 trên nền tảng iOS có chức năng đọc và lưu dữ liệu của cảm biến quán tính, xử lý tính toán hiệu chuẩn cảm biến quán tính để bù nhiễu tất định, đọc và lưu dữ liệu đinh vị GNSS, xử lý tích hợp GNSS/INS. Ngoài ra, một mô-đun phần mềm khác được lập dựa trên ngôn ngữ lập trình Matlab R2016b để trình bày và đối chiếu kết quả thực nghiệm. Bộ dữ liệu được thu thập từ các cảm biến được trang bị sẵn trong thiết bị iPhone 6 Plus. Băng thông của GNSS là 1Hz và của IMU là 100Hz. Khu vực thử nghiệm được tiến hành tại Khu đô thị Resco, Phường Cổ Nhuế 2, Quận Bắc Từ Liêm, Thành phố Hà Nội. Lộ trình tuyến thử nghiệm được thể hiện ở Hình 3.9. Lộ trình tham chiếu (REF) được đo bằng máy thu hai tần Trimble R7-GNSS của Mỹ ở chế độ đo động thời gian thực (RTK). Ngoài ra, khu vực thực nghiệm còn được bay chụp bằng UAV và xử lý bằng phần mềm Pix4D để đối chiếu với dữ liệu REF. 85 3.3.2 Các kết quả và thảo luận Kết quả thực nghiệm cho thấy khi sử dụng giải pháp tích hợp GNSS/INS trong Smartphone để xác định tọa độ tuyến đường bằng ô-tô đã cải thiện đáng kể về độ chính xác vị trí, đặc biệt là trong những khoảng thời gian tín hiệu GNSS bị mất, điều này có thể thấy rõ ở Hình 3.10. Mức cải thiện độ chính xác mặt bằng khi sử dụng tích hợp GNSS/INS đạt 62% so với GNSS trong Smartphone thông thường như thể hiện ở Bảng 3.10 khi kết hợp IMU với phương vị (course) và vận tốc (speed) thu được từ API của Smartphone để ước lượng vận tốc trong hệ định vị cục bộ NED. Mức cải thiện về độ cao đạt 89%, cao hơn nhiều so với mức cải thiện mặt phẳng bởi vì trong thực tế, độ chính xác về độ cao của GNSS chịu ảnh hưởng rất lớn của cấu tạo vật chất bên trong Trái Đất nên độ chính xác độ cao thường thấp hơn độ chính xác mặt bằng. Khi tích hợp GNSS/INS, do INS hoạt động tự độc lập (tự trị) nên độ chính xác về độ cao được cải thiện nhiều hơn so với độ chính xác về mặt bằng là hoàn toàn có cơ sở, đây cũng là một điểm mạnh của việc tích hợp GNSS/INS. Đặc biệt, việc xử lý tích hợp GNSS/INS trong Smartphone với lộ trình bị gián đoạn tín hiệu GNSS cố ý như thể hiện ở Hình 3.10 kết hợp phương pháp Smoothing và phương pháp Ràng buộc vận tốc không đã hàn gắn được các đoạn bị mất tín hiệu GNSS. Bảng 3.10: Độ chính xác định vị tích hợp GNSS/INS iPhone 6 Plus1 Ký hiệu GNSS (RMSE) GNSS/INS (RMSE) Mức cải thiện Vận tốc (m/s) Vị trí (m) Vận tốc (m/s) Vị trí (m) Vị trí (%) N 0.055 3.709 1.365 1.153 69 E 0.048 3.666 1.133 1.630 56 D 0.058 7.015 0.591 0.764 89 1 Thiết bị iPhone 6 Plus, iOS 10.2.1, Serial F2LNJH7TG5QQ 86 Lộ trình di chuyển RTK Continuous (Trimble R2) GNSS (iPhone 6 Plus) GNSS/INS (iPhone 6 Plus) 735 1255 130558 0805 0855 0905 0955 1005 1055 1105 1155 1205 E (m) 2330 335 385 435 485 535 585 635 685 N ( m ) Hình 3.9: So sánh lộ trình thử nghiệm 87 Lộ trình di chuyển bị gián đoạn tín hiệu GNSS RTK Continuous (Trimble R2) GNSS (iPhone 6 Plus) GNSS/INS (iPhone 6 Plus) 735 1255 130558 0805 0855 0905 0955 1005 1055 1105 1155 1205 E (m) 2330 335 385 435 485 535 585 635 685 N ( m ) Hình 3.10: So sánh lộ trình thử nghiệm bị gián đoạn tín hiệu GNSS 88 3.4 Ứng dụng trong Trắc địa - Bản đồ 3.4.1 Môi trường thực nghiệm Thực nghiệm cập nhật tuyến đường giao thông cho bản đồ được tiến hành ngoài trời ở nhiệt độ 35◦C. Thiết bị Smartphone sau khi được hiệu chuẩn sẽ cố định trên phương tiện di chuyển cùng các thiết bị tham chiếu khác để tiến hành đo đối với bài toán cập nhật tuyến đường giao thông cho bản đồ (Hình 3.13). Các thiết bị kèm theo bao gồm: Máy Trimble R2 dùng để xác định lộ trình tham chiếu với chế độ đo RTK Continuous mặc định, độ chính xác thiết lập là 5cm; Máy GPS cầm tay Garmin 72H dùng để xác định lộ trình tham khảo (như thể hiện ở Hình 3.11). Phần mềm GTField được lập và sử dụng để ghi các điểm lộ trình bằng cách sử dụng bộ thu GNSS sẵn có của Smartphone với tần số 1Hz. Phần mềm SDLogger được lập và sử dụng sử dụng để ghi lại dữ liệu cảm biến quán tính với tần số 100Hz. Thực nghiệm được tiến hành liên tục trong khoảng thời gian 50 phút. Tính toán sử dụng phần mềm Matlab R2016b và phần mềm GeoPointer để tham khảo. Hình 3.11: a) Môi trường thực nghiệm ngoài trời; b) Các thiết bị tham gia thực nghiệm 89 3.4.2 Khu vực thực nghiệm Lộ trình đo thực nghiệm được tiến hành gần trung tâm TP. Hà Nội, giới hạn từ 21◦0′3.247” đến 21◦2′18.373” vĩ độ Bắc, và từ 105◦45′56.486” đến 105◦48′45.923” kinh độ Đông (như thể hiện ở Hình 3.12). Điểm bắt đầu của lộ trình tại Trường ĐH Công nghệ, ĐHQG Hà Nội, điểm kết thúc lộ trình trên đường Lê Đức Thọ gần Sân vận động Quốc gia Mỹ Đình, với tổng chiều dài khoảng 13, 6km. Hình 3.12: Lộ trình đo và khu vực thực nghiệm 90 Hình 3.13: Hiệu chuẩn và ghi dữ liệu cảm biến quán tính bằng phần mềm SDLogger Hình 3.14: Đo cập nhật tuyến đường giao thông bằng phần mềm GTField 91 3.4.3 Các kết quả và thảo luận Với thời lượng khoảng 50 phút đo liên tục, lượng điện năng tiêu thụ trên iPhone 6 Plus khoảng 10%. Do để trực tiếp dưới trời nắng nên iPhone hơi nóng nhưng vẫn hoạt động ổn định, không có cảnh báo nhiệt độ từ hệ điều hành. Quá trình ghi dữ liệu GNSS, INS trên iPhone bằng phần mềm SDLogger hoàn thành với các file dữ liệu có tên 1973_184617 (Hình 3.13). Dữ liệu GNSS cũng được ghi bằng phần mềm GTField theo thời gian thực đồng thời hiển thị trực quan trên giao diện phần mềm cùng với nền bản đồ của hãng Google (Hình 3.14), hoàn thành việc lưu dữ liệu không bị gián đoạn khi đi qua khu nhà cao tầng và qua những đoạn có cây to. Thiết bị GNSS chuyên dụng Trimble R2 thiết lập mặc định với độ chính xác 5cm và được đo liên tục để làm lộ trình tham chiếu và hoàn thành việc lưu dữ liệu với nhiều đoạn bị mất dữ liệu khi đi qua khu nhà cao tầng và qua những đoạn có cây to (Hình 3.15 và Hình 3.16). Thiết bị GPS cầm tay Garmin 72H cũng hoàn thành việc lưu lộ trình tham khảo, bằng trực quan có thể đánh giá độ chính xác vị trí điểm của iPhone và Garmin 72H là tương đương, điều này cũng phù hợp với kết quả đánh giá ở phần tổng quan của luận án. Tuy nhiên, GPS cầm tay Garmin 72H có hạn chế về giao diện và khả năng phát triển so với phần mềm GTField trên iPhone. Khi đi qua hầm cầu vượt, tất cả các thiết bị đều không nhận được tín hiệu GNSS từ vệ tinh. Một số đoạn có sai số vị trí điểm trên iPhone lớn (Hình 3.17 và Hình 3.18) đều là những đoạn chịu nhiều ảnh hưởng của sự che khuất tầm nhìn vệ tinh của thiết bị. Kết quả tích hợp GNSS/INS cho iPhone để cập nhật dữ liệu tuyến đường đã cải thiện đáng kể độ chính xác vị trí như kết luận trong phần thực nghiệm ở mục 3.3. 92 Hình 3.15: Tuyến đường đo bằng GNSS của iPhone và Trimble R2 Hình 3.16: Các vị trí thường bị gián đoạn tín hiệu vệ tinh, giảm độ chính xác GNSS 93 Hình 3.17: Đoạn có sai số vị trí điểm GNSS trên iPhone lớn (1) Hình 3.18: Đoạn có sai số vị trí điểm GNSS trên iPhone lớn (2) 94 Kết luận và kiến nghị 1. Kết luận Nghiên cứu của luận án đã phân tích, đánh giá hơn 60 công trình khoa học liên quan đến đề tài được công bố trên các nguồn chính thức quốc tế như ISI, Scopus và các hãng công nghệ như Apple Inc., Google Inc., InvenSense Inc., Qualcomm Technologies, Inc., Chipworks Inc., để xác định vấn đề còn tồn tại mà luận án cần tập trung giải quyết đối với bài toán tích hợp GNSS/INS trên thiết bị thông minh. Có thể mô tả ngắn gọn công việc đã nghiên cứu trong hai nhóm nội dung chính: Nhóm nội dung thứ nhất là đánh giá khả năng sử dụng Smartphone trong Trắc địa - Bản đồ bao gồm: lập trình phần mềm định vị tọa độ sử dụng phần cứng GNSS được trang bị sẵn trong iPhone; tính chuyển tọa độ theo hệ quy chiếu và lưới chiếu bản đồ làm cho iPhone có thêm chức năng như một thiết bị định vị GPS cầm tay chuyên dụng để ứng dụng trong Trắc địa - Bản đồ. Phần thực nghiệm là định vị xác định tọa độ các điểm và đánh giá độ chính xác vị trí điểm thu được bằng iPhone, công trình khoa học này đã được NCS và cộng sự công bố trong bài báo tạp chí khoa học quốc tế SCIE. Kết quả đánh giá độ chính xác cũng được so sánh với máy GPS cầm tay chuyên dụng (Garmin eTrex 10), kết quả sai số mặt bằng của iPhone 4 là ±4.11m, trong khi sai số mặt bằng của Garmin eTrex 10 nhỏ hơn một chút là ±3.70m; sai số độ cao của iPhone là ±3.53m, trong khi sai số độ cao của Garmin eTrex 10 lớn hơn một chút là ±4.12m. Sự chênh lệch về độ chính xác giữa iPhone 4 và Garmin eTrex 10 là không đáng kể và có thể kết luận chúng có cùng độ chính xác cỡ mét. Như vậy, với độ chính xác tương đương GPS cầm tay, không cần trang bị thêm phần cứng đồng thời có thể kết nối với Internet, kết nối cơ sở dữ liệu, chụp ảnh có gắn tọa độ, gửi, nhận và xử lý dữ liệu thu thập được, thiết bị thông minh iPhone với phần mềm được lập hoàn toàn có thể ứng dụng trong công tác Trắc địa - Bản 95 đồ cho một số hạng mục không đòi hỏi độ chính xác cao. Nhóm nội dung thứ hai là nghiên cứu cải thiện độ chính xác định vị GNSS của Smartphone bằng cách tận dụng các cảm biến quán tính được trang bị sẵn trong Smartphone bao gồm: nghiên cứu xác định các nguồn sai số và thành phần sai số của cảm biến quán tính gây ra cho bài toán tích hợp GNSS/INS trên Smartphone; lập trình mô-đun chức năng hiệu chuẩn cảm biến quán tính để xác định sai số hệ thống, đã xác định được 12 hệ số cho cảm biến gia tốc và 12 hệ số cho cảm biến tốc độ góc trong iPhone theo thời gian thực; lập trình mô-đun chức năng thu nhận dữ liệu cảm biến quán tính để phân tích và mô hình hóa dữ liệu cảm biến, xác định các thành phần sai số ngẫu nhiên của cảm biến quán tính, công trình khoa học này đã được NCS và cộng sự công bố trong bài báo tạp chí khoa học trong nước. Kết quả đã xác định được 5 thành phần sai số ngẫu nhiên cho cảm gia tốc và 5 thành phần sai số ngẫu nhiên cho cảm biến tốc độ góc của iPhone. Phần thực nghiệm cho thấy, nếu thiết bị chưa hiệu chuẩn và bù nhiễu cho cảm biến thì hướng bị trôi đều 100◦ sau 30 giây, sau khi hiệu chuẩn sai số hệ thống thì hướng bị lệch 2◦ sau 5 phút. Sai số mặt bằng trước và sau khi tích hợp GNSS/INS tương ứng là ±5.2m và ±2.0m mức cải thiện là 62%, sai số độ cao trước và sau khi tích hợp GNSS/INS tương ứng là ±7.0m và ±0.8m mức cải thiện là 89%. Kết quả nghiên cứu đã đề xuất phương pháp chuẩn hóa ảnh hưởng của tốc độ quay Trái Đất lên các trục của cảm biến tốc độ góc cho kỹ thuật hiệu chuẩn không cần thiết bị tham chiếu chính xác nhằm giải quyết vấn đề tốc độ quay trái đất bị lẫn trong nhiễu của cảm biến chi phí thấp và cảm biến được trang bị sẵn trên thiết bị thông minh. Mô-đun chức năng hiệu chuẩn cảm biến quán tính được lập trình để có thể thực hiện trực quan ngay trên iPhone theo thời gian thực giúp dễ dàng hiệu chuẩn ở thực địa và kiểm tra trước khi tiến hành đo. Phần mềm định vị GPS và thu thập dữ liệu thực địa được phát triển hoàn thiện trên nền tảng iOS để ứng dụng trong Trắc địa - Bản đồ. 96 2. Kiến nghị hướng nghiên cứu tiếp theo Tích hợp hệ thống GNSS/INS có thể cải thiện độ chính xác vị trí của định vị dẫn đường, cảm biến quán tính trên điện thoại thông minh có thể được sử dụng để bù độ nghiêng hoặc định hướng của các hệ thống đo đạc được trang bị trong xe ô-tô, máy bay hay tàu thuyền. Đã có nhiều nghiên cứu liên quan đến tích hợp hệ thống GNSS/INS trong suốt thời gian qua và ngày càng được cải thiện. Tuy nhiên, một thách thức lớn khi tích hợp GNSS/INS trên thiết bị thông minh là bài toán tốc độ xử lý bởi vì giải thuật tích hợp thường có khối lượng tính toán lớn nhưng lại phải thực hiện liên tục trong một thời gian rất ngắn (cỡ 0.01 giây). Để xây dựng các hệ thống tích hợp trên thiết bị thông minh cần phải nghiên cứu cơ sở khoa học và đề xuất các giải thuật mới phù hợp với nền tảng di động, phát triển các hệ thống tích hợp để ứng dụng hiệu quả trong thực tiễn. Do đó, các nội dung sau cần được tiến hành nghiên cứu: 1. Tối ưu hóa giải thuật tích hợp GNSS/INS trên thiết bị thông minh. 2. Nghiên cứu và phát triển hệ thống tích hợp GNSS/INS và cảm biến đo sâu hồi âm trên thiết bị thông minh ứng dụng trong đo đạc thủy văn. 97 Một số công trình đã công bố của tác giả Bài báo tạp chí khoa học quốc tế SCIE 1. Bùi Tiến Diệu, Trần Trung Chuyên, Biswajeet Pradhan, Inge Revhaug và Razak Seidu (2015), “iGeoTrans - a novel iOS application for GPS posi- tioning in geosciences”, Tạp chí khoa học quốc tế Geocarto International, 30(2):1-21, pp. 1-16, doi: 10.1080/10106049.2014.902114 Bài báo tạp chí khoa học trong nước 1. Trần Trung Chuyên, Nguyễn Thị Mai Dung, Lê Hồng Anh, Nguyễn Trường Xuân, Đào Ngọc Long (2016), “Phân tích và mô hình hóa dữ liệu cảm biến quán tính của iPhone sử dụng phương sai Allan”, Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất, Số 55 2. Dương Thành Trung, Trương Minh Hùng, Trần Trung Chuyên, Đỗ Văn Dương (2017), “Nâng cao độ chính xác hệ thống dẫn đường tích hợp GNSS/INS cùng điều kiện ràng buộc vận tốc không đối với các hướng vuông góc với hướng di chuyển”, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, Số 58 Bài báo hội nghị khoa học quốc tế 1. Trần Trung Chuyên, Nguyễn Thị Mai Dung, Lê Hồng Anh, Nguyễn Trường Xuân, Đào Ngọc Long (2016), “Development of A Mobile Data Collection And Management System”, International Conference on GIS-IDEAS 2. Trần Trung Chuyên, Nguyễn Trường Xuân, Nguyễn Thị Mai Dung, Trần Mai Hương, Bùi Tiến Diệu, Đậu Thanh Bình, Đoàn Thị Thư (2017), “De- velopment of a new iOS-based geospatial application in smartphone for as- sisting fieldwork in geoscience”, International Conference on GTER Phần mềm ứng dụng cho Smartphone 1. Trần Trung Chuyên (2017), “iGeoTrans - GPS cầm tay tích hợp VN-2000 ”, App Store, Apple Inc., (https://itunes.apple.com/app/id471312204). 2. Trần Trung Chuyên (2017), “GTField GPS & Data collection”, App Store, Apple Inc., (https://itunes.apple.com/app/id1248227167). 98 Tài liệu tham khảo Tiếng Anh [1] Paul A Zandbergen. “Accuracy of iPhone Locations: A Comparison of As- sisted GPS, WiFi and Cellular Positioning”. Transactions in GIS 13 (2009), pp. 5–25. doi: 10.1111/j.1467-9671.2009.01152.x. [2] Muneer Ahmad Dar. “Role of smartphone in rural development: A case study of Kashmir”. 2016 IEEE Technological Innovations in ICT for Agri- culture and Rural Development (TIAR). Institute of Electrical and Elec- tronics Engineers (IEEE), 2016, pp. 205–208. doi: 10.1109/tiar. 2016.7801239. [3] David W Allan. The measurement of frequency and frequency stability of precision oscillators. Tech. rep. 1975. doi: 10.6028/nbs.tn.669. [4] B. Barshan and H.F. Durrant-Whyte. “Inertial navigation systems for mo- bile robots”. IEEE Transactions on Robotics and Automation 11.3 (1995), pp. 328–342. doi: 10.1109/70.388775. [5] Stephane Beauregard. “Omnidirectional Pedestrian Navigation for First Responders”. 2007 4th Workshop on Positioning, Navigation and Commu- nication. IEEE. Institute of Electrical and Electronics Engineers (IEEE), 2007, pp. 33–36. doi: 10.1109/wpnc.2007.353609. [6] Juan C. Guerri, Ana Belén Antón, Ana Pajares, et al. “A mobile device application applied to low back disorders”. Multimedia Tools and Applica- tions 42.3 (2008), pp. 317–340. issn: 1573-7721. doi: 10.1007/s11042- 008-0252-x. url: 0252-x. [7] Kai-Wei Chiang, Thanh Duong, and Jhen-Kai Liao. “The Performance Analysis of a Real-Time Integrated INS/GPS Vehicle Navigation Sys- 99 tem with Abnormal GPS Measurement Elimination”. Sensors 13.8 (2013), pp. 10599–10622. doi: 10.3390/s130810599. [8] Ming Chiao Chen, Jiann-Liang Chen, and Teng-Wen Chang. “Android / OSGi-based vehicular network management system”. Computer Commu- nications 34.2 (2011), pp. 169–183. issn: 1738-9445. doi: 10.1016/j. comcom.2010.03.032. [9] Joseph M Cooke, Michael J Zyda, David R Pratt, et al. “NPSNET: Flight Simulation Dynamic Modeling Using Quaternions”. Presence: Teleoperators and Virtual Environments 1.4 (1992), pp. 404–420. doi: 10.1162/pres. 1992.1.4.404. [10] Koustabh Dolui, Srijani Mukherjee, and Soumya Kanti Datta. “Traffic sta- tus monitoring using smart devices”. 2013 International Conference on In- telligent Interactive Systems and Assistive Technologies. Institute of Elec- trical and Electronics Engineers (IEEE), 2013, pp. 8–14. doi: 10.1109/ iisat.2013.6606431. [11] M El-Diasty, A El-Rabbany, and S Pagiatakis. “Temperature variation ef- fects on stochastic characteristics for low-cost MEMS-based inertial sensor error”. Measurement Science and Technology 18.11 (2007), pp. 3321–3328. doi: 10.1088/0957-0233/18/11/009. [12] Mohammed El-Diasty and Spiros Pagiatakis. “Calibration and Stochastic Modelling of Inertial Navigation Sensor Erros”. Journal of Global Position- ing Systems 7.2 (2008), pp. 170–182. doi: 10.5081/jgps.7.2.170. [13] Naser El-Sheimy, Haiying Hou, and Xiaoji Niu. “Analysis and Modeling of Inertial Sensors Using Allan Variance”. IEEE Transactions on Instrumen- tation and Measurement 57.1 (2008), pp. 140–149. doi: 10.1109/tim. 2007.908635. [14] Antonio Fernandez, Jose Diez, David de Castro, et al. “ATENEA: Ad- vanced techniques for deeply integrated GNSS/INS/LiDAR navigation”. 100 2010 5th ESA Workshop on Satellite Navigation Technologies and European Workshop on GNSS Signals and Signal Processing (NAVITEC). IEEE. In- stitute of Electrical and Electronics Engineers (IEEE), 2010, pp. 1–8. doi: 10.1109/navitec.2010.5708013. [15] Paul D Groves. Principles of GNSS, inertial, and multisensor integrated navigation systems. Artech house, 2013. [16] HR Harrison. “Quaternions and Rotation Sequences: a Primer with Ap- plications to Orbits, Aerospace and Virtual Reality, JB Kuipers, Prince- ton University Press, 41 William Street, Princeton, NJ 08540, USA. 1999. 372pp. Illustrated.£ 35.00. ISBN 0-691-05872-5.” The Aeronautical Journal 103.1021 (1999), pp. 175–175. [17] Sung Kyung Hong. “Fuzzy logic based closed-loop strapdown attitude sys- tem for unmanned aerial vehicle (UAV)”. Sensors and Actuators A: Physi- cal 107.2 (2003), pp. 109–118. doi: 10.1016/s0924-4247(03)00353- 4. [18] Haiying Hou and Naser El-Sheimy. “Inertial sensors errors modeling using Allan variance”. Proceedings of the 16th International Technical Meeting of the Satellite Division of The Institute of Navigation (ION GPS/GNSS 2003). 2001, pp. 2860–2867. [19] Hsin Hsien Peng, Chi-Chung Lo, Tsung-Ching Lin, et al. “Self-Contained Localization without Auxiliary Signals on Smart Devices”. 2014 IEEE 7th International Conference on Service-Oriented Computing and Applications. Institute of Electrical and Electronics Engineers (IEEE), 2014, pp. 154–160. doi: 10.1109/soca.2014.21. [20] Yi Hua Weng, Fu-Shing Sun, and Jeffry D. Grigsby. “GeoTools: An android phone application in geology”. Computers & Geosciences 44 (2012), pp. 24– 30. issn: 0098-3004. doi: 10.1016/j.cageo.2012.02.027. url: 101 [21] iFixit. iPhone 5S Teardown. Mar. 2017. url: https : / / goo . gl / 7AoQ56. [22] iFixit. iPhone 6 Plus Teardown. Mar. 2017. url: https://goo.gl/ dXsNs5. [23] iFixit. iPhone 6 Teardown. Mar. 2017. url: https://goo.gl/nW5tsJ. [24] Apple Inc. Capturing Device Movement with Core Motion. url: goo.gl/ adhNrd. [25] Chipwork Inc. Smartphone Chipwork Teardown report. Mar. 2017. url: [26] InvenSense Inc. Inside the iPhone 5S. Mar. 2017. url: https://goo. gl/FFwXn8. [27] InvenSense Inc. Inside the iPhone 6 and iPhone 6 Plus. Mar. 2017. url: https://goo.gl/rpwCaC. [28] R. E. Kalman. “A New Approach to Linear Filtering and Prediction Prob- lems”. Journal of Basic Engineering 82.1 (1960), p. 35. doi: 10.1115/1. 3662552. [29] Corina Kim Schindhelm, Florian Gschwandtner, and Michael Banholzer. “Usability of apple iPhones for inertial navigation systems”. Personal In- door and Mobile Radio Communications (PIMRC), 2011 IEEE 22nd In- ternational Symposium on. IEEE. Institute of Electrical and Electronics Engineers (IEEE), 2011, pp. 1254–1258. doi: 10.1109/pimrc.2011. 6139701. [30] H. Luinge and P.H. Veltink. “Inclination Measurement of Human Move- ment Using a 3-D Accelerometer With Autocalibration”. IEEE Trans- actions on Neural Systems and Rehabilitation Engineering 12.1 (2004), pp. 112–121. doi: 10.1109/tnsre.2003.822759. [31] S Madgwick. “Open source IMU and AHRS algorithms”. línea]. Available: x-io. co. uk/open-source-imu-and-ahrs-algorithms (). 102 [32] S. O. H. Madgwick, A. J. L. Harrison, and R. Vaidyanathan. “Estimation of IMU and MARG orientation using a gradient descent algorithm”. 2011 IEEE International Conference on Rehabilitation Robotics. IEEE. Institute of Electrical and Electronics Engineers (IEEE), 2011, pp. 1–7. doi: 10. 1109/icorr.2011.5975346. [33] Sebastian Madgwick. “An efficient orientation filter for inertial and iner- tial/magnetic sensor arrays”. Report x-io and University of Bristol (UK) 25 (2010). [34] Sebastian OH Madgwick. “AHRS algorithms and calibration solutions to facilitate new applications using low-cost MEMS”. PhD thesis. University of Bristol, 2014. [35] James McGlothlin, R. Burgess-Limerick, and D. Lynas. “An iOS Appli- cation for Evaluating Whole-body Vibration Within a Workplace Risk Management Process”. Journal of Occupational and Environmental Hy- giene 12.7 (2015). PMID: 25625605, pp. D137–142. doi: 10 . 1080 / 15459624.2015.1009986. eprint: 1080/15459624.2015.1009986. url: 10.1080/15459624.2015.1009986. [36] Sameh Nassar. Improving the inertial navigation system (INS) error model for INS and INS/DGPS applications. National Library of Canada= Biblio- thèque nationale du Canada, 2005. url: engo_webdocs/KPS/03.20183.SNassar.pdf. [37] Xiaoji Niu, Qingjiang Wang, You Li, et al. “Using Inertial Sensors in Smartphones for Curriculum Experiments of Inertial Navigation Tech- nology”. Education Sciences 5.1 (2015), pp. 26–46. doi: 10 . 3390 / educsci5010026. [38] Xiaoji Niu, Quan Zhang, You Li, et al. “Using inertial sensors of iPhone 4 for car navigation”. Proceedings of the 2012 IEEE/ION Position, Location and Navigation Symposium. IEEE. Institute of Electrical and Electronics 103 Engineers (IEEE), 2012, pp. 555–561. doi: 10.1109/plans.2012. 6236927. [39] Xiaoji Niu, You Li, Hongping Zhang, et al. “Fast Thermal Calibration of Low-Grade Inertial Sensors and Inertial Measurement Units”. Sensors 13.9 (2013), pp. 12192–12217. issn: 1424-8220. doi: 10.3390/s130912192. url: [40] Averil B Chatfield. “Fundamentals of high accuracy inertial navigation. American Institute of Aeronautics and Astronautics”. Inc., USA (1997). [41] Mohinder S Grewal, Angus P Andrews, and Chris G Bartone. Global nav- igation satellite systems, inertial navigation, and integration. John Wiley & Sons, 2013. [42] Andreja Jonoski, Leonardo Alfonso, Adrian Almoradie, et al. “Mobile phone applications in the water domain.” Environmental Engineering and Management Journal 11.5 (2012), pp. 919–930. [43] Vikas Kumar. “Integration of inertial navigation system and global posi- tioning system using Kalman filtering”. PhD thesis. INDIAN INSTITUTE OF TECHNOLOGY, BOMBAY MUMBAI, 2004. [44] Robert M Rogers. Applied mathematics in integrated navigation systems. Vol. 1. Aiaa, 2003. [45] Julián Tomasˇtík, Sˇimon Salonˇ, and Rastislav Piroh. “Horizontal accuracy and applicability of smartphone GNSS positioning in forests”. Forestry (2016). doi: 10.1093/forestry/cpw031. [46] A. Noureldin, T.B. Karamat, and J. Georgy. Fundamentals of Inertial Nav- igation, Satellite-based Positioning and their Integration. SpringerLink : Bu¨cher. Springer Berlin Heidelberg, 2012. isbn: 9783642304668. [47] Shashi Poddar, Vipan Kumar, and Amod Kumar. “A Comprehensive Overview of Inertial Sensor Calibration Techniques”. Journal of Dynamic 104 Systems, Measurement, and Control 139.1 (2016), p. 011006. doi: 10. 1115/1.4034419. [48] Sara Saeedi and Naser El-Sheimy. “Activity Recognition Using Fusion of Low-Cost Sensors on a Smartphone for Mobile Navigation Application”. Micromachines 6.8 (2015), pp. 1100–1134. doi: 10.3390/mi6081100. [49] Oleg S Salychev. Inertial systems in navigation and geophysics. Bauman MSTU Press Moscow, 1998. [50] Cheng Sian Chang, Tzung-Shi Chen, and Wei-Hsiang Hsu. “The study on integrating WebQuest with mobile learning for environmental ed- ucation”. Computers & Education 57.1 (2011), pp. 1228–1239. issn: 0360-1315. doi: 10 . 1016 / j . compedu . 2010 . 12 . 005. url: S0360131510003544. [51] Randall W Smith. Department of Defense World Geodetic System 1984: its definition and relationships with local geodetic systems. Defense Mapping Agency, 1987. [52] Sara Stancˇin and Sasˇo Tomazˇicˇ. “Time-and computation-efficient calibra- tion of MEMS 3D accelerometers and gyroscopes”. Sensors 14.8 (2014), pp. 14885–14915. doi: 10.3390/s140814885. [53] Feng Sun, Fengli Liu, and Xirui Fang. “A new method of zero calibra- tion of the strapdown inertial navigation system”. 2012 IEEE Interna- tional Conference on Mechatronics and Automation. IEEE. Institute of Electrical and Electronics Engineers (IEEE), 2012, pp. 1586–1590. doi: 10.1109/icma.2012.6284373. [54] Tran Duc Tan, Luu Manh Ha, NT Long, et al. “Novel MEMS INS/GPS Integration Scheme Using Parallel Kalman Filters”. System Integration, 2008 IEEE/SICE International Symposium on. IEEE. 2008, pp. 72–76. 105 [55] David Titterton and John Weston. Strapdown Inertial Navigation Technol- ogy. Vol. 17. Institution of Engineering and Technology (IET), 2004. doi: 10.1049/pbra017e. [56] Duc Tan Tran, Manh Ha Luu, Thang Long Nguyen, et al. “Land-vehicle mems INS/GPS positioning during GPS signal blockage periods”. Journal of Science, Vietnam National University, Hanoi 23.4 (2007), pp. 243–251. [57] Michael Tro¨bs and Gerhard Heinzel. “Improved spectrum estimation from digitized time series on a logarithmic frequency axis”. Measurement 39.2 (2006), pp. 120–129. doi: 10.1016/j.measurement.2005.10.010. [58] Tyler W. Jones, Luke Marzen, and Art Chappelka. “Horizontal accuracy assessment of global positioning system data from common smartphones”. Papers in Applied Geography 1.1 (2015), pp. 59–64. doi: 10 . 1080 / 23754931.2015.1009304. [59] Lihua Zheng, Minzan Li, Caicong Wu, et al. “Development of a smart mo- bile farming service system”. Mathematical and Computer Modelling 54.3- 4 (2011). Mathematical and Computer Modeling in agriculture (CCTA 2010), pp. 1194–1203. issn: 0895-7177. doi: 10.1016/j.mcm.2010.11. 053. url: pii/S0895717710005443. [60] Wen-Hong Zhu and Tom Lamarche. “Velocity Estimation by Using Position and Acceleration Sensors”. IEEE Transactions on Industrial Electronics 54.5 (2007), pp. 2706–2715. doi: 10.1109/tie.2007.899936. IPhụ lục II Phụ lục A Dữ liệu hiệu chuẩn cảm biến gia tốc Cam bien gia toc (Up) 0 500 1000 1500 2000 2500 3000 3500 4000 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Tr uc X X Y Z Cam bien gia toc (Down) 0 500 1000 1500 2000 2500 3000 3500 4000 4500 0 0.2 0.4 0.6 0.8 1 1.2 G ia to c (g) X Y Z 0 500 1000 1500 2000 2500 3000 3500 4000 4500 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Tr uc Y X Y Z 0 500 1000 1500 2000 2500 3000 3500 4000 4500 So mau -0.2 0 0.2 0.4 0.6 0.8 1 1.2 G ia to c (g) X Y Z 0 500 1000 1500 2000 2500 3000 3500 4000 4500 So mau -1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Tr uc Z X Y Z 0 1000 2000 3000 4000 5000 6000 So mau -0.2 0 0.2 0.4 0.6 0.8 1 1.2 G ia to c (g) X Y Z Hình A.1: Dữ liệu hiệu chuẩn sáu vị trí của cảm biến gia tốc III Phụ lục B Dữ liệu hiệu chuẩn cảm biến tốc độ góc Cam bien toc do goc (Up) 0 500 1000 1500 2000 2500 3000 3500 4000 -0.005 0 0.005 0.01 0.015 0.02 0.025 Tr uc X X Y Z Cam bien toc do goc (Down) 0 500 1000 1500 2000 2500 3000 3500 4000 4500 -0.005 0 0.005 0.01 0.015 0.02 0.025 To c do g oc (r ad /gi ay ) X Y Z 0 500 1000 1500 2000 2500 3000 3500 4000 4500 -0.01 -0.005 0 0.005 0.01 0.015 0.02 0.025 Tr uc Y X Y Z 0 500 1000 1500 2000 2500 3000 3500 4000 So mau -0.01 -0.005 0 0.005 0.01 0.015 0.02 0.025 0.03 To c do g oc (r ad /gi ay ) X Y Z 0 500 1000 1500 2000 2500 3000 3500 4000 So mau -0.01 -0.005 0 0.005 0.01 0.015 0.02 0.025 Tr uc Z X Y Z 0 1000 2000 3000 4000 5000 6000 So mau -0.01 -0.005 0 0.005 0.01 0.015 0.02 0.025 0.03 To c do g oc (r ad /gi ay ) X Y Z Hình B.1: Dữ liệu hiệu chuẩn sáu vị trí của cảm biến tốc độ góc IV Phụ lục C So sánh các kết quả 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -10 0 10 [m /s ] Sai so van toc N GNSS GNSS/INS 3 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -10 0 10 [m /s ] Sai so van toc E GNSS GNSS/INS 3 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -4 -2 0 2 [m /s ] Sai so van toc D GNSS GNSS/INS 3 Hình C.1: So sánh sai số vận tốc V0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -20 0 20 [m ] Sai so vi do GNSS GNSS/INS 3 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -20 0 20 [m ] Sai so kinh do GNSS GNSS/INS 3 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -50 0 50 [m ] Sai so do cao GNSS GNSS/INS 3 Hình C.2: So sánh sai số vị trí VI 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -20 0 20 [m /s ] Van toc N REF GNSS GNSS/INS 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -20 0 20 [m /s ] Van toc E REF GNSS GNSS/INS 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -4 -2 0 2 [m /s ] Van toc D REF GNSS GNSS/INS Hình C.3: So sánh vận tốc VII 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] 21.064 21.066 21.068 21.07 [d o ] Vi do REF GNSS GNSS/INS 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] 105.78 105.782 105.784 [d o ] Kinh do REF GNSS GNSS/INS 0 20 40 60 80 100 120 140 160 180 Thoi gian [s] -20 0 20 40 [m ] Do cao REF GNSS GNSS/INS Hình C.4: So sánh vị trí VIII Phụ lục D Một số mã nguồn Matlab được phát triển D.1 Mã nguồn mô-đun hiệu chuẩn cảm biến 1 function SPCalibration 2 %% numbersep Cac thiet lap co ban 3 % Giai phong cac bien trong bo nho 4 clearvars; 5 % Dong tat ca cac cua so dang mo 6 close all; 7 % Xoa lich su cau lenh 8 clc; 9 %% numbersep Cac bien toan cuc 10 % Vi do phong lab 11 phi = 21.07; 12 % Trong luc cuc bo (g) 13 g = 1.0; 14 % He so chuyen doi tu gia toc tu g sang miligal (mGal) 15 g2mGal = 980665.0; 16 % He so chuyen doi tu radian/giay sang do/gio 17 rps2dph = 206264.806247096; 18 % He so chuyen doi tu ty le sang ppm 19 s2ppm = 1e6; 20 % Toc do quay trai dat (radian/giay) 21 omegae = 15.0141/rps2dph; 22 % Toc do quay trai dat tai khu vuc thuc nghiem (radian/ giay) IX 23 wex = omegae*sind(phi); 24 %% numbersep Nap du lieu hieu chuan tu mat file 25 % iPhone 6 Plus cua Chuyen 26 serial=’F2LNJH7TG5QQ_1945_70527’; 27 % iPhone 6 Plus cua Doan 28 %serial=’FK1NTA7VG5QM’; 29 load(strcat(serial,’.mat’)); 30 % Cam bien gia toc 31 maxu = mean(axu(:,2:4),1); 32 maxd = mean(axd(:,2:4),1); 33 mayu = mean(ayu(:,2:4),1); 34 mayd = mean(ayd(:,2:4),1); 35 mazu = mean(azu(:,2:4),1); 36 mazd = mean(azd(:,2:4),1); 37 % Cam bien toc do goc 38 mgxu = mean(gxu(:,2:4),1); 39 mgxd = mean(gxd(:,2:4),1); 40 mgyu = mean(gyu(:,2:4),1); 41 mgyd = mean(gyd(:,2:4),1); 42 mgzu = mean(gzu(:,2:4),1); 43 mgzd = mean(gzd(:,2:4),1); 44 %% numbersep Phuong phap Gauss-Newton cho cam bien gia toc 45 % Xac dinh do lech, he so ty le va su khong truc giao tren moi truc 46 % Ma tran trang thai 47 Aa = [-g g 0 0 0 0 48 0 0 -g g 0 0 49 0 0 0 0 -g g X50 1 1 1 1 1 1]; 51 % Ma tran do 52 Ra=[maxu(1)+g maxd(1)-g mayu(1) mayd(1) mazu(1) mazd(1); 53 maxu(2) maxd(2) mayu(2)+g mayd(2)-g mazu(2) mazd(2); 54 maxu(3) maxd(3) mayu(3) mayd(3) mazu(3)+g mazd(3)-g ]; 55 % Ma tran trong so 56 Pa= eye(6); 57 % Thuat toan Gauss-Newton 58 Xa = (Ra*Pa*Aa’)*(Aa*Pa*Aa’)^-1; 59 % Vec to do lech cua cam bien gia toc 60 ba = Xa(1:3,4)’; 61 % Ma tran he so ty le va su khong truc giao cua cam bien gia toc 62 Sa = Xa(1:3,1:3); 63 %% numbersep Phuong phap Gauss-Newton cho cam bien toc do goc 64 % Ma tran trang thai 65 Ag = [wex -wex 0 0 0 0; 66 0 0 wex -wex 0 0; 67 0 0 0 0 wex -wex; 68 1 1 1 1 1 1]; 69 % Ma tran do 70 Rg=[mgxu(1) mgxd(1) mgyu(1) mgyd(1) mgzu(1) mgzd(1); 71 mgxu(2) mgxd(2) mgyu(2) mgyd(2) mgzu(2) mgzd(2); 72 mgxu(3) mgxd(3) mgyu(3) mgyd(3) mgzu(3) mgzd(3)]; 73 % Ma tran trong so 74 Pg= eye(6); 75 % Thuat toan Gauss-Newton XI 76 Xg = (Rg*Pg*Ag’)*(Ag*Pg*Ag’)^-1; 77 % Vec to do lech cua cam bien toc do goc 78 bg = Xg(1:3,4)’; 79 % Ma tran he so ty le va su khong truc giao cua cam bien gia toc 80 Sg = Xg(1:3,1:3); 81 %% numbersep In ket qua ra latex 82 % Chuyen tu g sang mGal 83 BA=round(ba*g2mGal) 84 % Chuyen tu ty le sang ppm 85 SA=round(Sa*s2ppm) 86 % Chuyen tu radian.giay sang do/gio 87 BG=round(bg*rps2dph) 88 % Chuyen tu ty le sang ppm 89 SG=round(Sg*s2ppm) 90 formatLatex = ’&%d &%d &%d &%d &%d &%d &%d &%d &%d &%d &%d &%d’; 91 latexAcce=sprintf(formatLatex,BA,SA(1,1),SA(2,2),SA(3,3) ,SA(1,2),... 92 SA(1,3),SA(2,1),SA(2,3),SA (3,1),SA(3,2)) 93 latexGyro=sprintf(formatLatex,BG,SG(1,1),SG(2,2),SG(3,3) ,SG(1,2),... 94 SG(1,3),SG(2,1),SG(2,3),SG (3,1),SG(3,2)) 95 %% numbersep Luu lai ket qua vao file mat 96 info.About=’Work 1: iPhone IMU Calibration’; 97 info.Author=’PhD Student: Chuyen Trung Tran, email: chuyentt@gmail.com’; XII 98 info.ba_print=’Cam bien gia toc bias in milligal (mGal)’ ; 99 info.bg_print=’Cam bien toc do goc bias in deg/hour’; 100 info.Sa_print=’Cam bien gia toc scale factor and misalignment in ppm’; 101 info.Sg_print=’Cam bien toc do goc scale factor and misalignment in ppm’; 102 info.name = serial; 103 info.ba=’Cam bien gia toc bias in (g)’; 104 info.bg=’Cam bien toc do goc bias in rad/sec’; 105 info.Sa=’Cam bien gia toc scale factor & misalignment’; 106 info.Sg=’Cam bien toc do goc scale factor & misalignment ’; 107 ba_print = round(ba*g2mGal); 108 bg_print = round(bg*rps2dph); 109 Sa_print = round(Sa*s2ppm); 110 Sg_print = round(Sg*s2ppm); 111 Calibration.info = info; 112 Calibration.ba = ba; 113 Calibration.bg = bg; 114 Calibration.Sa = Sa; 115 Calibration.Sg = Sg; 116 Calibration.ba_print = ba_print; 117 Calibration.bg_print = bg_print; 118 Calibration.Sa_print = Sa_print; 119 Calibration.Sg_print = Sg_print; 120 matfile=strcat(serial,’_Calibration’); 121 save(matfile,’-struct’,’Calibration’); 122 end XIII D.2 Mã nguồn hàm bù nhiễu 1 function refine = Compensation(x, b, S) 2 % Ham bu nhieu cam bien 3 % Tham so dau vao 4 % x - du lieu cam bien [x y z] hoac [time x y z] 5 % b - do lech [bx by bz] 6 % S - he so ty le va khong truc giao [xx xy xz; yx yy yz; zx zy zz] 7 % Ket qua tra ve: 8 % refine - du lieu cam bien da bu nhieu tat dinh 9 s=size(x); 10 refine = x; 11 if s(2) == 4 12 for k=1:length(x) 13 refine(k,2:4) = (x(k,2:4)-b)/(eye(3)+S); 14 end 15 else 16 for k=1:length(x) 17 refine(k,:) = (x(k,:)-b)/(eye(3)+S); 18 end 19 end 20 end D.3 Mã nguồn hàm tính trọng lực cục bộ 1 function lg = LocalGravity(phi,h) 2 % Tinh gan dung trong luc cuc bo co cai chinh theo do cao 3 % Tham so vao: XIV 4 % phi Vi do, don vi do (Vi du: 21.07) 5 % h Do cao thuy chuan, don vi met (Vi du: 10.0) 6 % Ket qua tra ve: Trong luc cuc bo, don vi m/s^2 7 % Tai lieu tham khao: 8 % International Gravity Formula 1967 (IGF) 9 % Free Air Correction (FAC) which corrects for height above sea level. 10 IGF = 9.780327*(1.0+0.0053024*sind(phi)*sind(phi) -0.0000058*sind(2.0*phi)*sind(2.0*phi)); 11 FAC = -3.086*10e-6*h; 12 lg = IGF+FAC; 13 end