АВТОНОМНА ПАСИВНА НАВІГАЦІЯ БЕЗПІЛОТНОГО НАЗЕМНОГО ТРАНСПОРТНОГО ЗАСОБУ ЗА ВТРАТИ СУПУТНИКОВОГО СИГНАЛУ: ПОРІВНЯННЯ МІКРОЕЛЕКТРОМЕХАНІЧНОГО ТА ВОЛОКОННО-ОПТИЧНОГО ГІРОСКОПІВ
DOI:
https://doi.org/10.26906/SUNZ.2026.3.005Keywords:
безпілотний наземний транспортний засіб, пасивна навігація, волоконно-оптичний гіроскоп, МЕМС-гіроскоп, супутникова навігація, оптичні маркери, злиття вимірювань, далекомір, відтворюване моделюванняAbstract
Актуальність. Безпілотний наземний транспортний засіб (далі – наземний робот) за втрати глобальної навігаційної супутникової системи (Global Navigation Satellite System, GNSS) потребує автономного визначення курсу та сприйняття перешкод. Предмет дослідження: навігація наземного робота за поєднання колісної одометрії, мікроелектромеханічного гіроскопа (МЕМС-гіроскоп), волоконно-оптичного гіроскопа (ВОГ), камери, пасивних маркерів і далекоміра. Мета дослідження: кількісно оцінити точність базового ВОГ та порівняти пасивні й гібридні конфігурації за різної видимості. Завдання дослідження. Реалізувати параметричну модель ВОГ; відокремити її від зорового каналу; перевірити статичні, рухомі й нові перешкоди; сформувати відтворювану матрицю запусків. Методи. Виконано 1440 проходжень полігона у 48 конфігураціях і 180 додаткових 300-секундних випробувань курсу. Базовий ВОГ задано стабільністю зміщення 1 °/год, випадковим блуканням кута 0,04 °/√год і похибкою масштабного коефіцієнта 250·10⁻⁶. Результати. ВОГ забезпечив середню середньоквадратичну похибку курсу 0,0568° і кінцеву похибку 0,0995° проти 9,8981° та 17,1355° для МЕМС-сценарію. За ясної видимості волоконно-оптична конфігурація з маркерами досягла цілі у 46,7% запусків, із них 23,3% – без зіткнень; з далекоміром отримано 76,7 та 40,0% відповідно. Висновки. ВОГ є найточнішим пасивним засобом курсової орієнтації у випробуваній моделі й не залежить від видимості. Проте блокування камери позбавляє систему сприйняття перешкод, тому практична архітектура має поєднувати ВОГ із зоровими засобами за сприятливих умов та з окремим резервом сприйняття за туману, снігу або диму.Downloads
References
1. El-Sheimy, N., Hou, H., and Niu, X. (2008), “Analysis and Modeling of Inertial Sensors Using Allan Variance”, IEEE Transactions on Instrumentation and Measurement, vol. 57, no. 1, pp. 140–149, doi: https://doi.org/10.1109/TIM.2007.908635 DOI: https://doi.org/10.1109/TIM.2007.908635
2. Olson, E. (2011), “AprilTag: A robust and flexible visual fiducial system”, Proceedings of the IEEE International Conference on Robotics and Automation, pp. 3400–3407, doi: https://doi.org/10.1109/ICRA.2011.5979561 DOI: https://doi.org/10.1109/ICRA.2011.5979561
3. Burri, M., Nikolic, J., Gohl, P., Schneider, T., Rehder, J., Omari, S., Achtelik, M. W., and Siegwart, R. (2016), “The EuRoC micro aerial vehicle datasets”, IJRR, vol. 35, no. 10, pp. 1157–1163, doi: https://doi.org/10.1177/0278364915620033 DOI: https://doi.org/10.1177/0278364915620033
4. Bijelic, M., Gruber, T., Mannan, F., Kraus, F., Ritter, W., Dietmayer, K., and Heide, F. (2020), “Seeing Through Fog Without Seeing Fog: Deep Multimodal Sensor Fusion in Unseen Adverse Weather”, Proceedings of CVPR, pp. 11682–11692, URL: https://www.cs.princeton.edu/~fheide/AdverseWeatherFusion/figures/AdverseWeatherFusion.pdf DOI: https://doi.org/10.1109/CVPR42600.2020.01170
5. Hahner, M., Sakaridis, C., Dai, D., and Van Gool, L. (2021), “Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather”, Proceedings of ICCV, pp. 15283–15292, URL: https://arxiv.org/pdf/2108.05249 DOI: https://doi.org/10.1109/ICCV48922.2021.01500
6. Jarraya, I., Al-Batati, A., Kadri, M. B., Abdelkader, M., Ammar, A., Boulila, W., and Koubaa, A. (2025), “Gnss-denied unmanned aerial vehicle navigation: analyzing computational complexity, sensor fusion, and localization methodologies”, Satellite Navigation, vol. 6, article 9, doi: https://doi.org/10.1186/s43020-025-00162-z DOI: https://doi.org/10.1186/s43020-025-00162-z
7. Pereira, T., Viegas, C., Soares, S., and Ferreira, N. (2026), “Visual and Visual-Inertial SLAM for UGV Navigation in Unstructured Natural Environments: A Survey of Challenges and Deep Learning Advances”, Robotics, vol. 15, no. 2, article 35, doi: https://doi.org/10.3390/robotics15020035 DOI: https://doi.org/10.3390/robotics15020035
8. Qin, T., Li, P., and Shen, S. (2018), “VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator”, IEEE Transactions on Robotics, vol. 34, no. 4, pp. 1004–1020, doi: https://doi.org/10.1109/TRO.2018.2853729 DOI: https://doi.org/10.1109/TRO.2018.2853729
9. Campos, C., Elvira, R., Rodríguez, J. J. G., Montiel, J. M. M., and Tardós, J. D. (2021), “ORB-SLAM3: An Accurate OpenSource Library for Visual, Visual-Inertial, and Multimap SLAM”, IEEE Transactions on Robotics, vol. 37, no. 6, pp. 1874– 1890, doi: https://doi.org/10.1109/TRO.2021.3075644 DOI: https://doi.org/10.1109/TRO.2021.3075644
10. Chiang, K.-W., Tsai, S., Huang, C.-H., Lu, Y.-E., Srinara, S., Tsai, M.-L., El-Sheimy, N., and Ai, M. (2026), “Navigation Error Characteristics of LIO-, VIO-, and RIMU-Assisted INS/GNSS Multi-Sensor Fusion Schemes in a GNSS-Denied Environment”, Sensors, vol. 26, no. 7, article 2068, doi: https://doi.org/10.3390/s26072068 DOI: https://doi.org/10.3390/s26072068
11. Tong, B., Chen, W., and Du, L. (2025), “Adaptive Navigation Strategy for Low-Cost IMU-Assisted Vehicles in GNSS-Denied Traffic Environment”, Journal of Advanced Transportation, vol. 2025, doi: https://doi.org/10.1155/atr/2762711 DOI: https://doi.org/10.1155/atr/2762711
12. Huang, G., Liu, J., Zhao, Y., Gong, X., Hyyppä, J., and Zhang, W. (2025), “Vehicle Inertial Localization With Adaptive Noise Estimation and Pseudo-Measurement Constraints in GNSS Denied Environment”, IEEE Internet of Things Journal, early access, doi: https://doi.org/10.1109/JIOT.2025.3593605 DOI: https://doi.org/10.1109/JIOT.2025.3593605
13. Li, M., Sun, Y., Gao, S., Zhao, X., Hui, F., Luo, W., Hu, Q., Chen, H., Wu, H., Wang, Y., Yan, M., and Ding, W. (2025), “Navigation-grade interferometric air-core antiresonant fibre optic gyroscope with enhanced thermal stability”, Nature Communications, vol. 16, article 3449, doi: https://doi.org/10.1038/s41467-025-58381-6 DOI: https://doi.org/10.1038/s41467-025-58381-6
14. Smailov, N., Tashtay, Y., Komada, P., Nussupov, Y., Zhunussov, K., Batyrgaliyev, A., Naubetov, D., Amir, A., Sekenov, B., and Yerezhep, D. (2026), “Fiber-Optic Gyroscopes in Modern Navigation Systems: A Comprehensive Review”, Network, vol. 6, no. 2, article 28, doi: https://doi.org/10.3390/network6020028 DOI: https://doi.org/10.3390/network6020028
15. Li, T., Chen, H., Fu, H., Zhou, F., Gao, S., Fan, S., Wang, C., Wu, Y., Liu, H., Zhao, H., Song, J., Jin, L., Cui, N., Feng, J., and Lu, Z. (2025), “Integrated optoelectronic transceiver toward navigation grade fiber optic gyroscope using silicon photonics”, Optics Letters, vol. 50, no. 22, pp. 7139-7142, doi: https://doi.org/10.1364/OL.576264 DOI: https://doi.org/10.1364/OL.576264
16. Borenstein, J., and Koren, Y. (1991), “The Vector Field Histogram-Fast Obstacle Avoidance for Mobile Robots”, IEEE Transactions on Robotics and Automation, vol. 7, no. 3, pp. 278–288, doi: https://doi.org/10.1109/70.88137 DOI: https://doi.org/10.1109/70.88137
17. EMCORE Corporation (2023), “EG-120 Lithium-Niobate Fiber Optic Gyroscope (FOG)”, datasheet, revision 12.12.2023, URL: https://www.emcore.com/wp-content/uploads/966798_A1_EG-120-FOG.pdf
18. Wilson, E. B. (1927), “Probable Inference, the Law of Succession, and Statistical Inference”, Journal of the American Statistical Association, vol. 22, no. 158, pp. 209–212, doi: https://doi.org/10.1080/01621459.1927.10502953 DOI: https://doi.org/10.1080/01621459.1927.10502953
19. Moore, T., and Stouch, D. (2016), “A Generalized Extended Kalman Filter Implementation for the Robot Operating System”, Intelligent Autonomous Systems 13, pp. 335–348, doi: https://doi.org/10.1007/978-3-319-08338-4_25 DOI: https://doi.org/10.1007/978-3-319-08338-4_25
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Serhii Boychun, Serhii Levytskyi
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
