This work focuses on tracking launch vehicles with multiple radar sites and proposes a data fusion strategy based on the Covariance Intersection (CI) method. At each site, multiple models are embedded in a Kalman filter or locally estimate position, velocity, and acceleration using a de-biased measurement transformation from spherical to cartesian coordinates. The estimation of position, velocity, and acceleration of moving object based on radar measurements is critical in applications such as air traffic control, surveillance systems, and orbital vehicles launching among many others. However, this work will focus on the conditions observed at Alcântara Launch Center, where two radars located at distinct sites provide the trajectory coverage. All simulations presented herein make use of actual data obtained from a VS30 sounding rocket launch at Alcântara Launch Center in February, 2000. Impact point prediction is also assessed, and considers uncertainties inferred form the computed covariance matrix, culminating in an ellipsoidal impact area with a given impact probability.

Rastrear múltiplos alvos é um requisito fundamental para sistemas de vigilância ou de controle de tráfego aéreo que empregam um ou mais sensores aliados a sistemas computacionais para interpretar o ambiente observado e criar uma visão situacional coerente e única dos alvos presentes no cenário real. O método MHT (do inglês, Multiple Hypothesis Tracking) é uma técnica especialmente desenvolvida para lidar com o problema de associação de dados - decorrente da incerteza quanto à origem de medidas tomadas do ambiente - em cenários com múltiplos alvos. Enquanto os métodos de associação tradicionais assumem apenas uma hipótese de associação entre pistas e medidas, o MHT assume várias hipóteses de associação simultâneas e aguarda até que mais informação sensorial do ambiente esteja disponível para julgar quais hipóteses devem ser eliminadas e quais devem ser mantidas. Este trabalho compara o método MHT com técnicas tradicionais em termos de métricas bem determinadas para a quantificação da efetividade de rastreamento. A principal motivação é entender como a estratégia alternativa de associação de dados empregada pelo MHT se reflete na sua complexidade e no seu desempenho quando comparado a métodos convencionais de associação de dados. Para tanto, a abordagem de implementação do MHT adotada neste trabalho - orientada a pistas - é submetida a uma análise de complexidade algorítmica, que, por sua vez, indica que o gargalo dessa abordagem está concentrado no passo de re-geração de hipóteses. Não obstante, para quantificar a melhoria na efetividade de rastreamento, esse trabalho oferece uma comparação da efetividade de rastreamento do MHT com um método benchmark - o GNN (do inglês, Global Nearest Neighbor) - em quatro cenários de complexidade incremental compostos por múltiplos alvos e apenas um sensor. Os resultados encontrados indicam que a efetividade do método MHT se degrada suavemente na medida em que a complexidade do cenário aumenta e sugerem que o MHT possui maior robustez que o método GNN diante do aumento de densidade de falsos alarmes (ou medidas espúrias).

A presente dissertação trata a navegação 2D do robô Trekker, um robô de acionamento diferencial, equipado com sensores de baixo custo e de baixa precisão, a saber um sonar e um sensor infra-vermelho, em um ambiente indoor povoado por marcos artificiais (cilindros). Neste trabalho, realiza-se localização global e investiga-se a realização de localização e mapeamento simultâneos com o mesmo robô. Para este fim, o algoritmo de localização Monte Carlo é aplicado para resolver o problema de localização global utilizando marcos artificiais, extraídos a partir da fusão de dados dos sensores por ocasião da observação do ambiente. Enquanto que localização e mapeamento simultâneos foram implementados através do algoritmo FastSLAM, que implementa o rastreamento da localização do robô ao mesmo tempo em que constrói um mapa de características do ambiente, também utilizando marcos artificiais da mesma maneira como aconteceu na solução de localização global. Por fim, os resultados mostram sucesso da abordagem empregada na localização global, alcançando o intento de atribuir maior inteligência ao robô Trekker e menor dependência de estruturação do ambiente em relação aos predecessores dele. .

Este trabalho apresenta o projeto e construção de um barco inteligente, ou seja, com a capacidade de aprendizado e autônomo. Neste trabalho foi desenvolvida uma plataforma náutica dotada de sensores de posicionamento e de orientação visando gerar uma solução de navegação autônoma capaz de seguir uma trajetória pré-definida por um usuário. O barco foi construído a partir de uma estrutura náutica do tipo catamarã usando como sistema de propulsão rodas d';água impulsionadas por motores elétricos de corrente contínua. Foi projetado e instalado no barco um módulo embarcado contendo um computador de bordo, a eletrônica de acionamento dos motores, o sistema de comunicação e os seguintes sensores: plataforma inercial (composta por acelerômetros, girômetros e magnetômetros) e receptor GPS. O módulo embarcado se comunica com uma estação de controle em terra enviando a telemetria dos sensores e recebendo os comandos para o acionamento dos propulsores. A estação de controle foi escrita no ambiente de desenvolvimento MATLAB e implementa a solução de navegação autônoma do barco em uma interface gráfica amigável realizando os seguintes passos: 1) estimação do estado atual do barco usando fusão sensorial (INS/GPS e Bússola) baseada em Filtro de Kalman, 2) geração do comando para os propulsores por consulta à tabela de acionamento. A técnica de aprendizado por reforço Learning Automata foi usada em um ambiente de simulação, juntamente com o modelo dinâmico do barco, para gerar a tabela de acionamento dos propulsores. A solução proposta foi implementada e testada no barco real. Os resultados experimentais mostram que o barco segue uma trajetória pré-definida pelo usuário de forma autônoma com pequeno erro.

Sistemas de navegação inercial (INS) solidários fazem uso de medidas discretas no tempo de incrementos angulares e de velocidade, oriundas, respectivamente, da integração de girômetros e acelerômetros para estimar atitude, posição e velocidade com relação à Terra. A taxa de amostragem dos algoritmos que processam as medidas dos sensores é relacionado com a acurácia requerida e a carga computacional demandada. De modo a obter-se uma solução de navegação com boa acurácia e carga computacional reduzida, os algoritmos precisam ser executados em múltiplas taxas de amostragem e sistemas de coordenadas distintos - a saber, o do corpo B e da horizontal local NED. Independentemente das taxas de amostragem empregadas pelos algoritmos, os erros de navegação tendem a crescer indefinidamente com o tempo quando o INS opera em modo autônomo (stand-alone). Neste trabalho, foram analisados diversos algoritmos de navegação inercial distintos, comparando-se a carga computacional demandada e acurácia em modo autônomo que se obtêm com cada um. Com relação à solução de navegação fornecida pelos algoritmos, para que os erros tornem-se limitados, viabilizando operações de longa duração, sensores adicionais não inerciais devem ser utilizados. Assumida a disponibilidade de medidas de GPS e câmera, a acurácia da navegação pode ser melhorada por meio da fusão de dados provindos de nós de processamento locais, os quais fornecem, respectivamente, os resultados da integração INS/GPS e da INS/câmera. Neste trabalho, foram investigadas as fusões por federação de filtros - cuja otimalidade requer conhecimento da correlação entre os nós de processamento local - e por interseção de covariâncias (IC), que é subótima, mas não diverge quando há correlação desconhecida entre os sinais a serem fundidos. Para ambos métodos de fusão analisados, o INS e os nós locais são corrigidos periodicamente de acordo com o resultado da fusão, visando melhorar a acurácia da solução de navegação. A acurácia das fusões é avaliada comparando-se com o desempenho obtido por um filtro de Kalman global, o qual processa todas as medidas de todos os sensores simultaneamente.

O crescente aumento no volume de trafego aéreo a nível mundial, nos últimos anos, trouxe como desafio importantes mudanças no gerenciamento desse trafego. A Organização de Aviação Civil Internacional (OACI), com os seus estados membros, tem incentivado à implantação do conceito FANS CSN/ATM (Future Air Navigation, Systems, Communication Navigation / Air Traffic Management), com o intuito de tornar mais segura a aviação civil a nível mundial. Em função deste novo cenário e da disponibilidade de novas tecnologias, surgiram o sistema GNSS (Global Navigation Satellite System), e os novos conceitos de vigilância cooperativa, como a ADS (Automatic Dependence Surveillance). Um dos desafios atuais é incorporar ao conjunto das novas tecnologias de vigilância os sistemas até então utilizados, como o Radar, que não pressupõe a cooperação do alvo no processo de detecção e rastreio da sua trajetória. O trabalho realizado analisa os conceitos CNS/ATM e ADS e mostra como os dados de posição de uma aeronave, obtidos pelo ADS, podem ser utilizados em conjunto com as medidas de um Radar de vigilância aérea, considerado como o modo principal de vigilância. Considera-se uma dinâmica para a trajetória da aeronave e são realizadas filtragem da medida Radar e a fusão dessa medida com informações ADS, originadas por um sistema de navegação por satélites. A filtragem e a fusão são realizadas por um filtro de Kalman. O bom desempenho da fusão Radar e ADS foi avaliado por meio de simulações, onde foi estabelecido um cenário com uma aeronave com três tipos de manobrabilidade, e três graus de intensidade de ruído de leitura da sua posição.

Estimar atitude de forma acurada, usualmente emprega medidas de vertical local e norte magnético obtidas de, respectivamente, acelerômetros e magnetômetro, um modelo cinemático da rotação com parâmetros obtidos de girômetros, e um filtro capaz de fundir estas informações. Acelerômetros, entretanto, medem não só a força específica referente à reação à gravidade, mas também componentes de força específica referentes a manobras. Isso afeta negativamente a estimação de atitude durante manobras intensas. Adicionalmente, o emprego de redundância de sensores e processadores permite obter estimativas mais acuradas, tolerância a falhas, escalabilidade e modularidade mediante o uso de algoritmos adequados. Este trabalho revisa abordagens distintas de estimadores de atitude baseados no filtro de Kalman estendido parametrizado por quatérnion. Então, estudam-se duas abordagens distintas para o problema das medidas de acelerômetro sob manobras. A primeira detecta e descarta as medidas corrompidas por manobras e a segunda computa e compensa componentes de força específica das medidas do acelerômetro. Propõe-se computar analiticamente a covariância do ruído da medida resultante da segunda abordagem, o que permite uma sintonia correta do filtro de Kalman. Também se propõe uma combinação das abordagens, gerando resultados iguais ou melhores. Testam-se, então, neste problema de estimação de atitude, diversos algoritmos de fusão de dados segundo as arquiteturas centralizada, hierárquica e distribuída. Os algoritmos de fusão se mostram promissores quando os estimadores locais estimam apenas atitude. Entretanto, quando os estimadores estimam atitude e deriva de girômetro, a estimativa de deriva resulta degradada.

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.

Esta tese de doutorado aborda a solução do problema SLAM (Simultaneous Localization And Mapping) em ambiente interno de média escala. Para implementar a solução proposta foi projetado e construído um robô móvel de baixo custo (cerca de US$ 2.100,00) com rodas e equipado com três diferentes tipos de sensores: visão (webcam sem fio com ponteira laser), sonar (1 unidade com alcance de 6 m) e infravermelho (2 unidades com alcances de 1,5 m e de 5 m). Inicialmente foi desenvolvido um algoritmo para realizar a fusão dos dados ruidosos provenientes desses sensores e gerar características que representam adequadamente o ambiente do robô. Experimentos foram realizados para avaliar o desempenho do algoritmo de fusão de dados sensoriais. Um algoritmo do tipo filtro de partículas FastSLAM foi implementado para solução do problema SLAM (localização do robô e construção de mapas 2D do ambiente) usando as características extraídas pelo algoritmo de fusão de dados. O desempenho desse algoritmo foi avaliado em ambientes de pequena escala onde as poses do robô foram escolhidas manualmente. Finalmente foi desenvolvido um algoritmo de exploração autônoma do ambiente para a escolha automática das poses do robô durante a execução do algoritmo FastSLAM. A integração dos algoritmos desenvolvidos para a solução do problema SLAM foi demonstrada em um ambiente interno de média escala (2,8 m x 55 m). Em uma primeira etapa o robô gerou o mapa do ambiente de forma autônoma. Na segunda etapa o robô usou o mapa gerado para navegar e se autolocalizar no ambiente com pequenos erros nas estimações das suas poses, usando apenas as medidas geradas pelos sensores montados no robô.

Esta tese aborda o problema de extração de conhecimentos a partir de um conjunto de dados de entradas e saídas, afim de auxiliar um especialista no domínio do problema em um processo de tomada de decisão. O objetivo é disponibilizar para o especialista um conjunto de modelos que ofereçam diferentes compromissos de qualidade entre dois requisitos importantes e contraditórios: a acurácia do modelo e a sua interpretabilidade. O método proposto, chamado MoGFT-I, fornece um conjunto de modelos fuzzy do tipo Mamdani através das seguintes etapas: 1) a partir de um conjunto de dados de entrada/saída, um algoritmo de indução, tal como o C4.5, é utilizado para produzir as regras de uma árvore de decisão; 2) essa árvore de decisão é transformada em um modelo fuzzy; e 3) as funções de pertinência do modelo fuzzy são calibradas usando um algoritmo genético multi-objetivo que realiza uma busca bi-dimensional considerando a acurácia e a interpretabilidade dos modelos. A saída do método MoGFT-I é um conjunto de modelos fuzzy do tipo Mamdani que são distribuídos ao longo de uma curva de Pareto. Esse método foi aplicado e validado nos seguintes estudos de caso: 1) estimativa do tempo de vida restante de um motor aeronáutico; 2) reconhecimento de imagens binárias 7x7 ruidosas; e 3) controle de um carro com um pêndulo invertido. As simulações desses estudos de caso são apresentadas e seus resultados discutidos.