Estimasi Posisi Dan Orientasi Uav Menggunakan Extended Kalman Filter Dengan Fusi Multi Sensor

Fazari, Lazuardi Favian (2025) Estimasi Posisi Dan Orientasi Uav Menggunakan Extended Kalman Filter Dengan Fusi Multi Sensor. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5022211034-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (8MB)

Abstract

Sistem navigasi pada Unmanned Aerial Vehicle (UAV) sangat bergantung pada akurasi data sensor untuk estimasi posisi dan orientasi yang andal. Setiap sensor memiliki keunggulan dan kekurangannya masing-masing, misalnya IMU mampu menyediakan data posisi dan orientasi dengan frekuensi tinggi namun rentan terhadap drift, sedangkan GPS memberikan informasi posisi global namun memeiliki noise yang signifikan dan frekuensi data yang lebih rendah. Mengandalkan satu jenis sensor tidak cukup untuk mencapai estimasi yang akurat dan andal, terutama dalam kondisi penerbangan yang dinamis. Penelitian ini mengusulkan fusi data multisensor menggunakan Extended Kalman Filter (EKF) untuk menghasilkan estimasi yang lebih presisi dengan mengintegrasikan data dari IMU, GPS, barometer, dan magnetometer pada UAV hexacopter dalam lingkungan simulasi. Proses integrasi data melibatkan mekanisasi INS untuk data IMU dan transformasi kerangka koordinat untuk data GPS, yang kemudian diolah oleh EKF untuk estimasi posisi, kecepatan, dan orientasi. Hasil pengujian pada berbagai skenario lintasan dinamis menunjukkan bahwa integrasi dengan EKF secara signifikan meningkatkan akurasi dibandingkan metode sensor tunggal, dibuktikan dengan Root Mean Square Error (RMSE) yang berhasil ditekan hingga level sentimeter untuk estimasi posisi (RMSE < 0.26 m) dan menjaga error orientasi roll dan pitch di bawah 1 derajat, yang membuktikan efektivitas metode ini dalam menyediakan solusi navigasi yang akurat dan stabil untuk UAV.
===================================================================================================================================
Navigation systems in Unmanned Aerial Vehicles (UAVs) heavily rely on sensor data accuracy for reliable position and orientation estimation. Each sensor has its own advantages and disadvantages; for instance, an IMU can provide high-frequency position and orientation data but is susceptible to drift, while GPS offers global position information but suffers from significant noise and a lower data frequency. Relying on a single type of sensor is insufficient to achieve accurate and reliable estimation, especially under dynamic flight conditions. This research proposes a multi-sensor data fusion approach using an Extended Kalman Filter (EKF) to produce a more precise estimation by integrating data from an IMU, GPS, barometer, and magnetometer on a hexacopter UAV within a simulation environment. The data integration process involves INS mechanization for the IMU data and coordinate frame transformation for the GPS data, which are then processed by the EKF for position, velocity, and orientation estimation. Testing results across various dynamic trajectory scenarios show that integration with the EKF significantly improves accuracy compared to single-sensor methods. This is proven by the Root Mean Square Error (RMSE), which was successfully reduced to the centimeter level for position estimation (RMSE < 0.26 m) while keeping the roll and pitch orientation error below 1 degree, demonstrating the method's effectiveness in providing an accurate and stable navigation solution for UAVs.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Extended Kalman Filter, UAV, Fusi Multi Sensor, Estimasi Posisi, Estimasi Orientasi, Extended Kalman Filter, UAV, Multi Sensor Fusion, Position Estimation, Orientation Estimation.
Subjects:	H Social Sciences > HA Statistics > HA31.7 Estimation Q Science > QA Mathematics > QA402.3 Kalman filtering. T Technology > TL Motor vehicles. Aeronautics. Astronautics
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Lazuardi Favian Fazari
Date Deposited:	25 Jul 2025 07:50
Last Modified:	25 Jul 2025 07:50
URI:	http://repository.its.ac.id/id/eprint/120306

Actions (login required)

View Item