FenixEdu™

Dissertação

{en_GB=Sideslip Estimation of Formula Student Prototype} {} EVALUATED

Detalhes: {pt=O objectivo deste trabalho é projectar e afinar um conjunto de estimadores capaz de fornecer o slipangle de um carro de Formula Student, capaz de trabalhar em tempo real, e de alimentar um algoritmo de controlo. O estimador proposto utiliza uma IMU (Inertial Measurment Unit), que contém um acelerómetro um giroscópio e um magnetómetro, um GPS (Global Positioning System), um sensor para o angulo da direcção, o binário produzido pelos motores eléctricos e o modelo dinâmico subjacente ao veículo. É apresentado um modelo exaustivo do carro, assim como modelos para os sensores que são utilizados para testar e afinar os estimadores. São apresentados dois filtros cinemáticos um para a orientação e outro para a velocidade, que alimentam um terceiro estimador que utiliza a dinâmica do veículo. Neste último são comparados dois filtros, um linear e um não-linear, que para os quais são discutidos os seus prós e contras. Todos os estimadores lineares utilizados são baseados na teoria do filtro de Kalman (KF), e no caso do filtro não-linear é utilizados o filtro de Kalman estendido. Os estimadores propostos são depois testados com dados recolhidos de um carro real de Formula Student, e depois implementados num microcontrolador a bordo de um veículo RC (Remote Control) num laboratório. Em ambos os testes, os resultados são validados com sistemas secundários mais precisos., en=The objective of this work is the design and tuning of an estimator architecture that can provide the slipangle of a Formula Student prototype, with the requirement of working in real time, to be able to feed a control algorithm. The proposed architecture uses an Inertial Measurement Unit (IMU) composed of an accelerometer a gyroscope and a magnetometer, a Global Positioning System (GPS), a steering encoder, the torque of the electrical motors and the underlying dynamic model of the vehicle. An exhaustive car model is presented, as well as, sensor models, used to test and tune the estimators. Two kinematic complementary filters are presented for attitude and velocity estimation that feed a third estimator using the vehicle dynamics. For this last one, a linear and a non-linear filter are compared and their pros and cons discussed. All the used estimators are based in Kalman Filter (KF) theory for the linear ones and the Extended Kalman Filter (EKF) for the non-linear. The estimator architecture is then tested with offline data from a real Formula Student prototype and implemented in a RC (Remote Control) vehicle’s microcontroller inside the laboratory. Both tests are cross-validated with secondary and more accurate systems.}
Keywords: {pt=Sideslip, Navegação, Estimação, Sensores, Filtro de Kalman, Filtro de Kalman Estendido, en=Sideslip, Navigation, Estimation, Sensors, Kalman Filter, Extended Kalman Filter}

Discussão: novembro 20, 2017, 10:0