Information-Aided DVL Calibration

Sintesi Tecnica: Calibrazione DVL basata su Informazioni

Definizione del Problema
Le misurazioni accurate della velocità dal Doppler Velocity Log (DVL) sono critiche per le soluzioni di navigazione dei Veicoli Sottomarini Autonomi (AUV), poiché correggono la deriva inerente ai sistemi di Navigazione Inerziale (INS). Tradizionalmente, la calibrazione del DVL — che consiste nella stima di errori deterministici e tempo-invarianti come i fattori di scala e gli angoli di disallineamento — viene eseguita sulla superficie dell'acqua utilizzando segnali di Sistema Globale di Navigazione per Satelliti (GNSS) come riferimento. Questo processo si basa su approcci basati su filtri di Kalman e richiede manovre specifiche per garantire l'osservabilità dello stato. Tuttavia, esistono due limitazioni significative:

1. Ambienti privi di GNSS: In scenari in cui i segnali GNSS non sono disponibili (ad esempio, sott'acqua o in specifiche condizioni superficiali), la calibrazione convenzionale è impossibile, costringendo all'uso di dati DVL non calibrati che degradano le prestazioni di navigazione.
2. Limiti di Accuratezza: Anche in ambienti con disponibilità GNSS, l'accuratezza della calibrazione tradizionale basata sul filtro di Kalman può essere subottimale.

Il documento affronta la sfida di migliorare l'accuratezza della calibrazione in scenari con GNSS disponibile e di abilitare l'autocalibrazione del DVL in ambienti privi di GNSS senza fare affidamento su riferimenti esterni.

Metodologia
Gli autori propongono un framework di Calibrazione Basata su Informazioni (IAC) che incorpora vincoli non olonomici e approssimazioni di velocità nel processo di stima del filtro di Kalman. L'approccio è diviso in due scenari distinti, che danno origine a cinque modelli di filtro di Kalman modificati (M3–M7).

• Scenari con GNSS disponibile (IAC-G):
  Gli autori adattano i vincoli non olonomici, tipicamente utilizzati per i veicoli terrestri, agli AUV. Propongono che durante le traiettorie di calibrazione in linea retta, la componente di velocità verticale (asse Z) nel frame del DVL tenda mediamente a zero, anche in presenza di movimenti verticali periodici.

  • Modelli M3 e M4: Questi modelli integrano questa assunzione di "velocità Z nulla" come ausilio informativo insieme alle misurazioni GNSS standard. M3 applica questo concetto a un modello base con un fattore di scala scalare, mentre M4 lo applica a un modello con un fattore di scala specifico per l'asse X. Questa modifica aggiunge efficacemente un vincolo all'aggiornamento della misura senza alterare i parametri centrali del filtro di Kalman.

• Scenari privi di GNSS (IAC-GF):
  Per gli ambienti senza GNSS, gli autori propongono un framework di autocalibrazione basato su tre assunzioni:

  1. Modello di Errore Semplificato: Utilizzo dei soli errori di disallineamento (omettendo il fattore di scala per ridurre la dimensionalità dello stato).
  2. Sway e Heave prossimi allo zero: Approssimazione delle componenti di velocità Y (sway) e Z (heave) nel frame del corpo come valori piccoli, prossimi allo zero.
  3. Approssimazione del Surge: Derivazione della velocità di surge (asse X) ignota sfruttando l'invarianza della norma della velocità tra i diversi sistemi di coordinate ($||\tilde{v}_d|| \approx \tilde{v}_{IAC-GF,x}$).
  • Modelli M5, M6 e M7: Questi modelli utilizzano il vettore di velocità approssimato derivato dalle assunzioni sopra citate.
    • M5 e M6 richiedono una conoscenza pregressa o euristiche per stimare le componenti di sway e heave.
    • M7 rappresenta un approccio completamente autonomo e innovativo. Utilizza solo la norma della velocità misurata dal DVL e la componente X della velocità trasformata, richiedendo nessuna conoscenza pregressa delle componenti di sway o heave. Opera con un vettore a tre stati (solo errori di disallineamento).

Contributi Chiave

1. Framework IAC: L'introduzione di un framework di calibrazione basato su informazioni che migliora la calibrazione del DVL sia in ambienti con disponibilità GNSS che in ambienti privi di GNSS.
2. Ausilio della Velocità Nulla: Negli scenari con GNSS disponibile, la proposta di utilizzare informazioni sulla velocità nulla (specificamente la componente Z) per aumentare l'accuratezza e ridurre i tempi di calibrazione.
3. Autocalibrazione senza GNSS: Lo sviluppo di un modello di errore rilassato combinato con una nuova assunzione di velocità (M7) che consente l'autocalibrazione del DVL in ambienti privi di GNSS, offrendo un'alternativa all'uso di misurazioni non calibrate.
4. Cinque Nuovi Modelli: La formulazione di cinque modelli specifici di filtro di Kalman (M3–M7) adattati a diversi scenari di ausilio e formulazioni di stato.

Risultati
I modelli proposti sono stati validati utilizzando dataset reali raccolti dall'AUV "Snapir" dell'Università di Haifa nel Mar Mediterraneo. La valutazione ha coinvolto 15 traiettorie e una procedura di cross-validazione testando 15 diverse combinazioni di termini di errore (fattori di scala, disallineamenti, bias e rumore).

• Prestazioni con GNSS disponibile:

  • Il modello M3 ha ottenuto un miglioramento medio del 20,12% nell'errore quadratico medio della velocità (VRMSE) rispetto al miglior modello di base (M2).
  • Il modello M4 ha ottenuto un miglioramento medio del 6,65% rispetto a M2.
  • I risultati hanno dimostrato che M3 e M4 convergono più velocemente e raggiungono tassi di errore inferiori rispetto ai modelli di base, anche con durate di calibrazione più brevi.

• Prestazioni in assenza di GNSS:

  • Rispetto alla baseline non calibrata, i modelli IAC-GF proposti hanno ridotto significativamente la deriva di navigazione.
  • Il modello M7 (il modello completamente autonomo) ha ottenuto il miglioramento più elevato, riducendo il VRMSE di circa il 35% in media.
  • I modelli M5 e M6 hanno ottenuto miglioramenti medi rispettivamente di circa il 31% e il 27%.
  • I risultati hanno confermato che l'approssimazione euristica delle componenti di sway e heave (basata sui primi due secondi di dati) fornisce una stima ragionevole per l'autocalibrazione.

Significatività e Rivendicazioni
Il documento afferma che i framework IAC proposti affrontano lacune critiche nella navigazione degli AUV:

1. Miglioramento dell'Accuratezza: Miglioramento dell'accuratezza della calibrazione in ambienti con GNSS fino al 20% senza richiedere modifiche hardware complesse o sensori aggiuntivi.
2. Abilitazione dell'Operatività in Ambienti Negati: Fornitura di un metodo vitale per l'autocalibrazione del DVL quando il GNSS non è disponibile, evitando il ricorso a misurazioni non calibrate che portano a una rapida deriva di navigazione.
3. Affidabilità della Missione: Riducendo la deriva di navigazione e migliorando la stima della velocità, l'approccio supporta una raccolta dati di qualità superiore e un'esecuzione delle missioni più sicura.
4. Cambio di Paradigma: Il lavoro introduce un nuovo paradigma di navigazione subacquea basato su informazioni, dimostrando che i vincoli e le approssimazioni (come la velocità verticale nulla o l'invarianza della norma della velocità) possono essere efficacemente sfruttati per sostituire i riferimenti esterni in specifici contesti operativi.

Gli autori osservano che l'approccio si basa su assunzioni riguardanti l'installazione del DVL (ad esempio, l'allineamento dell'asse Z) e la dinamica del moto (traiettorie in linea retta), il che potrebbe limitarne l'applicabilità in configurazioni altamente dinamiche o non standard. Tuttavia, la validazione su dati marini reali conferma la robustezza e la praticità applicativa dei modelli proposti.