Optimización del filtrado de sensores inerciales para la navegación autónoma de drones en entornos dinámicos

Read full text Summarise with VIRAT
Authors: Clelio Daniel Endara Sumba
Cited by: 0
References: 35

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

El estudio desarrolla un sistema de navegación inercial para drones mediante la implementación y comparación de los filtros EKF, UKF y ESKF integrados con una red neuronal LSTM utilizando MATLAB/Simulink. La metodología se fundamenta en el modelado de una IMU ideal y en un modelo realista de errores inerciales que incluye sesgo, ruido y deriva con parámetros representativos del sensor ICM-20948. Para la validación se emplean sensores de referencia simulados (GNSS, barómetro y magnetómetro) y una trayectoria tridimensional tipo lemniscata adecuada para evaluar el desempeño de los estimadores bajo condiciones dinámicas no lineales. La red LSTM se entrena como un compensador externo de la IMU empleando segmentos de datos secuenciales del acelerómetro y del giroscopio para estimar y corregir errores en las mediciones. Los resultados evidencian una reducción significativa del error inercial, con mejoras superiores al 80 % en el acelerómetro y al 90 % en el giroscopio, lo que confirma la capacidad de la LSTM para mejorar la calidad de las señales de entrada. En la estimación del estado, el UKF presenta el mejor equilibrio entre precisión y estabilidad global, el EKF muestra buen desempeño en la estimación de la orientación y el ESKF evidencia mayor sensibilidad en la estimación de la altura y del ángulo de yaw. En la configuración evaluada la compensación LSTM no produce cambios apreciables en los errores de posición, velocidad y orientación, debido a la influencia dominante de los sensores de referencia y a la estructura de los estimadores. El trabajo concluye que la LSTM es efectiva para la compensación de errores inerciales y constituye una base sólida para futuras integraciones orientadas a incrementar su impacto directo en la estimación del estado.

Fields of Study & Subjects

Inertial Sensor and Navigation Target Tracking and Data Fusion in Sensor Networks Robotics and Sensor-Based Localization

Publication details

Journal / source
Repositorio Digital (Escuela Politécnica Nacional)
Publication date
18 March 2026
Language
ES
Document type
Thesis