Sistemas de navegação inercial (INS) possuem erros de posição, velocidade e atitude divergentes com o tempo em uma taxa dependente da precisão dos sensores inerciais. Por outro lado, as taxas divergentes da INS, sistemas de posicionamento global por satélites (GNSS) e dispositivos imageadores (SD) fornecem medidas de posição, velocidade e desalinhamento com erros limitados e em baixas frequências. A complementariedade das características dos sistemas motiva a fusão de dados. A estratégia tradicional de integração é o filtro de Kalman extendido (EKF) como estimador do vetor de erros. Sob certas condições, o filtro de Kalman é o estimador ótimo sob ampla variedade de critérios. Essas condições necessitam de uma modelagem acurada da dinâmica da planta e da sintonia das estatísticas do ruído de modelo e sensores. Portanto, erros de modelagem e sintonia impossibilitam otimalidade e consistência estatística do erro de estimação do filtro e ainda podem levá-lo à divergência. O presente trabalho aborda o problema de buscar a consistência estatística na operação do filtro de Kalman estendido através de técnicas de sintonia automática do ruído de modelagem, a saber, Estimação Adaptativa baseada em Inovação (IAE) e Escalonamento do Ruído de Modelo (SPN). Será experimentalmente demonstrado que IAE falha ao sintonizar o filtro. Será proposta uma alteração na estratégia IAE, a saber, Estimação Adaptativa baseada em Inovação Parcial (IAEP), que deixará o filtro consistente e habilitado a fornecer uma solução de navegação satisfatória. Resultados são obtidos por simulações, onde um veículo aéreo não-tripulado voa uma trajetória conhecida com medidas de sensores inerciais corrompidas por um modelo de constante aleatória e ruído branco. Erros de posição e velocidade, desalinhamento, bias de acelerômetro, deriva de girômetro e erros de relógio GNSS são estimados através da fusão INS/GNSS/SD e testados para consistência estatística em diversos cenários. Adicionalmente, o algoritmo de navegação inercial operando autonomamente é avaliado através de dados reais obtidos em um experimento em montanha-russa.

A estimação de atitude e velocidade angular para um satélite pode ser realizada tanto por métodos instantâneos, quanto por de estimação recursiva de estado, que quando implementados com precisão restrita na representação das variáveis em ambiente embarcado, podem apresentar comportamentos adversos como consequência de erros de truncamento numérico no processamento embarcado. Neste contexto, o presente trabalho apresenta um estudo sobre o desempenho de cada um desses métodos de estimação de atitude e velocidade angular aplicados a 2 configurações distintas de satélites estabilizados em 3 eixos. A primeira configuração considera um satélite estabilizado por rotação dual, que utiliza como algoritmo estimador de atitude uma formulação do filtro estendido de Kalman (EKF), que sofre deveras com problemas de instabilidade numérica em ambiente embarcado 32 bits. São consideradas, então, quatro formulações alternativas ao EKF: o filtro com processamento sequencial das medidas (EKFSeq), o filtro com fatoração de Cholesky da matriz de covariância da inovação (EKFChol) e os filtros de raiz quadrada (SRKF) e com fatoração UD da matriz de covariância (UDKF), todas algebricamente equivalentes ao EKF, mas com características melhoradas de susceptibilidade a erros numéricos. A segunda configuração analisada considera um satélite estabilizado por triedro de rodas de reação e emprega somente algoritmos estimadores baseados em abordagens instantâneas: TRIAD, interseção de cones e QUEST para a estimação de atitude combinados com abordagens derivativas para a estimação de velocidade angular. O desempenho dos algoritmos estimadores é analisado para cada configuração de satélite por meio de simulações do tipo hardware-in-the-loop (HIL), sendo os algoritmos implementados em ambiente embarcado com 32 bits, o que permite verificar a susceptibilidade de cada formulação a erros numéricos. Por fim, considera-se também, para cada configuração, uma análise acerca do efeito desses erros de origem numérica no desempenho em malha fechada do sistema.

Este trabalho apresenta o desenvolvimento e a implementação de uma unidade de navegação inercial em tempo real utilizando sensores de baixo custo do tipo MEMS integrados a um Sistema de Posicionamento Global (GPS), por meio de um filtro de Kalman discreto, para aplicação em veículos autônomos. Um algoritmo de determinação de atitude foi também desenvolvido. No sistema implementado, os sinais provenientes de sensores inerciais (giroscópios e acelerômetros) e do GPS foram tratados por um microcontrolador de oito bits. As informações provenientes dos sensores MEMS são muito ruidosas, por este motivo, um algoritmo chamado superamostragem e decimação também foi implementado. Depois de tratados por todos os algoritmos contidos no sistema global, os dados então, são transmitidos via comunicação sem fio para um computador onde o estado (posição e velocidade) de uma plataforma móvel pode ser observado, por meio de uma interface gráfica desenvolvida em linguagem C. Os resultados obtidos demonstram que o sistema desenvolvido é confiável para aplicações em sistemas de navegação e controle, principalmente no VANT acadêmico que esta sendo desenvolvido pelo grupo de pesquisa em eletrônica embarcada do Instituto Tecnológica de Aeronáutica - ITA. O sistema final apresenta baixo custo financeiro em relação aos sistemas disponíveis no mercado tornando-se assim uma alternativa que pode ser usada como ferramenta em pesquisas acadêmicas e aplicações industriais.

Many schemes that aim to tune the IEEE 802.11e EDCA transmission parameters have been proposed in the literature. Based on them, we notice that the knowledge of the numbers of active transmission queues of each Access Category has an important role in modeling and optimizing the network. In this dissertation, we propose a simple and standard-compliant mechanism that processes easily obtained traffic measurements into a novel Extended Kalman Filter (EKF) to obtain estimates of those numbers. For validating the filter, we simulate an EDCA network that uses a dynamic throughput optimization scheme requiring knowledge of the numbers of active queues of each Access Category. We compare the performance results when the optimizer is fed with estimates of the EKF (practical setting) and when the inputs are the exact numbers of active queues (ideal setting). We find out that the filter is precise and accurate enough to match closely the ideal performance.

Esta tese visa o desenvolvimento e a análise de metodologias para o processamento e classificação de sinais eletrocardiográficos atriais, também denominados de onda P, mediante a utilização de redes neurais artificiais. As principais contribuições desta tese são as seguintes:a detecção de complexos QRS utilizando time-delay neural network; pré-processamento dos sinais de ECG utilizando o algoritmo Filtro de Kalman com o propósito de reduzir a interferência de ruídos; extração das características das ondas P usando uma rede neural com funções de base assimétricas; classificação das ondas P usando uma rede neural auto-organizável de Kohonen.As novas técnicas propostas nesta tese foram validadas usando sinais eletrocardiográficos reais, extraídos do banco de dados do MIT-BIH Arrhythmia CD-ROM e de prontuários, gentilmente cedidos pelas equipes médicas do Hospital Dante Pazzanese de Cardiologia e do Hospital do Coração.

Este trabalho avalia duas leis de controle com atuação magnética para estabilização e apontamento de um satélite universitário de baixo custo, a ser lançado de carona e que deverá operar estabilizado por rotação (spin) em torno do seu eixo de maior momento de inércia. As duas leis de controle objetivam, partindo da separação do veículo lançador, apontar o eixo de maior momento de inércia do satélite em direção ortogonal ao plano da eclíptica e prover a rotação desejada para sua estabilização. Essa escolha de direção simplifica a análise da estabilidade das leis de controle. Pretende-se que os painéis solares nas laterais do satélite captem mais eficazmente energia solar para carregar as baterias embarcadas. Adicionalmente, o calor gerado pelos componentes embarcados pode ser dissipado pelos painéis superior e inferior do satélite, que não deverão ser demasiadamente expostos ao Sol. A primeira lei de controle é baseada no erro entre momentum angular de referência e o momentum angular do satélite. Já a segunda lei de controle é baseada no erro entre a velocidade angular de referência e a velocidade angular satélite. A primeira lei de controle apresentou resultado insatisfatório quando o movimento inicial foi de capotamento e não havia amortecimento de nutação passivo. No capotamento, a segunda lei investigada mostrou-se muito lenta no apontamento do satélite, o que representa risco para a missão, pois requer maior quantidade de carga elétrica. Assim, foi motivada a inclusão de amortecedor de nutação para auxílio ao sistema de controle. A malha de controle integra-se com os filtros de Kalman estendidos investigados em SANTOS (2008) para estimar o bias de magnetômetro, atitude e velocidade angular. O desempenho é reavaliado a partir de simulações de Monte Carlo, com 50 realizações, utilizando incertezas na estimativa inicial do filtro de Kalman maiores do que as utilizadas originalmente por SANTOS (2008) no movimento lento. Os sensores de baixo custo são um magnetômetro triaxial e sensores de Sol. Os atuadores de baixo custo são magnetotorqueadores com bobinas com núcleo de ar. Este trabalho também considera a dinâmica da corrente elétrica que circula pelas bobinas para avaliar o impacto da dispensa de drivers para regulação da corrente elétrica e consequente simplificação do sistema de acionamento dos atuadores. Também verifica o impacto da variação na tensão no barramento de alimentação elétrica dos atuadores. Inicialmente, o satélite é considerado como corpo rígido. Para amortecer mais eficazmente o ângulo de nutação, cujo decaimento leva dias no controle de atitude com atuação puramente magnética (WASCHBURGER, 2009), investiga-se o auxílio de um amortecedor mecânico de nutação. Nele, uma pequena massa sofre deslocamento devido ao movimento de nutação. O atrito drena energia cinética e, assim, busca-se alinhar o eixo de rotação com o eixo de maior momento de inércia. Resultados mostraram que o uso desta técnica é eficaz para as condições investigadas. São investigados amortecedores mecânicos de nutação com atrito viscoso e com atrito seco. As duas leis de controle investigadas apresentaram resultados satisfatórios quando foram adicionados amortecedores de nutação, isto é, o satélite foi devidamente apontado ortogonalmente à eclíptica em torno do quinto dia de operação. São comparados os resultados obtidos por simulação numérica em ambiente Matlab/Simulink, cuja precisão numérica é dupla, com resultados obtidos com HIL (Hardware-in-the-loop). Neste, uma réplica do computador embarcado se encarrega de executar os filtros de Kalman estendidos, modelos de referência e a lei de controle. Verificou-se o impacto dos erros numéricos do computador embarcado, cuja precisão numérica é simples, com apenas 32 bits.

O modelo dinâmico da aeronave é combinado com medidas obtidas com sensores GPS e INS visando obter redução nas incertezas de determinação de posição. Esta combinação é calculada de modo ótimo, no sentido de média quadrática, empregando-se o Filtro de Kalman Estendido para obter estimativas de posição com acurácia adequada para utilização em navegação de área (RNAV). As medidas obtidas com os sensores GPS e INS são simuladas através da utilização de modelos de erros conservativos para corromper a informação de posição dada pelo método dinâmico da aeronave. As medidas do GPS são disponibilizadas com freqüência de 2Hz enquanto que as do INS são disponibilizadas com 100Hz, sendo também esta a freqüência de atualização do Filtro de Kalman. Na configuração proposta, as estimativas de posição obtidas são suficientemente acuradas para garantir níveis RNP da ordem de 0,037 milha náutica durante um mínimo de 95% do tempo de vôo.

The employment of embedded cameras in navigation and guidance of Unmanned Aerial Vehicles (UAV) has attracted the focus of many academic researches. In particular, for the multirotor UAV, the camera is widely employed for applications performed at indoor environments, where are less access to the GNSS signal and higher electromagnetic interference. Nevertheless, in most researches, the images captured by the camera are usually adopted to aid in the linear position/velocity estimation, but not specifically for assisting in the attitude determination process. This dissertation proposes an attitude determination method for multirotor UAVs using pairs of vector measurements taken from one downward facing strapdown camera and angular velocity measurements from gyros. The method consists in three modules. The first detects and identifies landmarks from the captured images. The second module computes the vector measurements related to the direction between the landmarks and the camera. The third module executes the attitude estimation from the vector measurements given by the second module. The employed estimation method consists in a version of the Multiplicative Extended Kalman Filter (MEKF) with sequential update. The proposed method was evaluated via Monte Carlo simulations using Simulink 3D Animation. During the evaluation, the method presented effectiveness and satisfactory results in most of the simulated cases. Finally, future works are suggested for the potential continuation of this research.

O objetivo deste trabalho é proporcionar uma melhoria no algorítmo de determinação de atitude no projeto Pegasus AutoPilot, atualmente em desenvolvimento no Instituto Tecnólogico de Aeronáutica, utilizando agora o Filtro de Kalman em suas formulações direta e indireta. São utilizadas Unidades de Medida Inercial de baixo custo que consiste em sensores integrados em um único bloco, os quais estão presentes sensores que fornecem aceleração, velocidade angular e um sensor não inercial que mede campo magnético. Os algorítmos propostos, utilizando o Filtro de Kalman, são implementados primeiramente no ambiente Matlab para validação do modelo e em seguida é implementado o sistema embarcado de tempo real no microcontrolador Cortex M3, mantendo o hardware já utilizado no projeto Pegasus Autopilot. O sistema de tempo real implementado neste trabalho tem o objetivo de verificar o desempenho do Filtro de Kalman no hardware já utilizado projeto atualmente. Os resultados obtidos no ambiente MATLAB mostram que os métodos utilizando Filtro de Kalman possuem melhor desempenho, porém quando utilizados em um sistema embarcado ocorre degradação do sistema.

Este trabalho apresenta um modelo matemático para a inferência do estado emocional de um usuário ou interlocutor com base em suas expressões faciais. O modelo apresentado consiste em dois estágios básicos, responsáveis pelo tratamento de sinais e sua integração, respectivamente. No primeiro estágio, filtros de Kalman independentes são utilizados para o processamento paralelo dos sinais relativos às expressões faciais emocionais. O estágio de integração, por sua vez, aplica os sinais filtrados a um sistema no qual uma partícula desliza sobre uma superfície a qual representa os estados e transições emocionais. O estado emocional do interlocutor é inferido, quadro a quadro, por meio da inspeção da posição instantânea da partícula. Uma heurística de simulação-otimização baseada em recozimento simulado (simulated annealing), é introduzida a fim de automatizar o processo de ajuste dos parâmetros do modelo em conformidade com o algoritmo de detecção de expressões faciais escolhido. O modelo proposto foi validado utilizando-se um corpus contendo 51 vídeos. Os resultados são comparados à classificação realizada por um grupo de voluntários, correspondendo a esta em 92% dos casos. / This work presents a mathematical model for emotional state inference based solely on facial expressions. The presented model consists of two basic steps, which are responsible for signal processing and its integration, respectively. During the former, independent Kalman filters are employed for parallel processing of emotional facial expression related signals. The later step, integration, applies those filtered signals to a system where a massless particle slides along a surface representing the emotional states of interest and its transitions. The subjects emotional state is inferred from the particles instantaneous position at each frame. A simulation-optimization heuristic based on simulated annealing is introduced as for fully automatic parameter tuning technique, which allows for easily coupling between the proposed model and different facial expression detection algorithms. The proposed model is validated against 51 multimodal emotional videos. The results are compared to human-based classification and a 92% agreement rate is observed.