Kalmanfilter används flitigt i många applikationer och har varit grundläggande i många sammanhang, som till exempel för radar och GPS. Programmeringen för pro-jektet itererade ett Kalmanfilter över de GPS-värden som genererades för att slutli-gen uppnå en ungefärlig position av enkortsdatorn. Som kan ses i tabell 3.1 slutli- genere-rades fem värden av GPS-modulen, de fem värdena iteregenere-rades i det program som hade kodats. Som synes kunde det Kalmanfilter som programmerats simulera den precisa positionen av den GPS-modul som användes. Projektet stötte på problem när den modul som användes inte kunde hitta satelliternas signal förrän 10 minuter i sökandet. Vid varje flytt av enheten tog det 10 minuter för att hitta en satellit. Detta medförde att en snabb och säker position var svår att fastställa, då tågen rusar fram i 200 km/h behöver de en kontinuerlig uppdatering av var tågvagnarna befinner sig. Vid en flytt av GPS-modulen på 15 meter ändrades latitud och longitud 0,001 en-heter. För användning av denna metod behöver GPS-modulen snabbare tillgång till satelliterna och det filtret som används behöver justeras för att tillgodose flera vari-abler.
En simulering av flera olika koordinater gjordes för att kunna säkerställa att resulta-tet stämde för fler värden. Det visade sig att ju fler värden som Kalmanfiltret arbe-tade med gav en markant skillnad i hur exakt positionen kunde anges. I en verklig situation skulle prototypen efterlikna den första tabellen där 5 eller 10 värden gene-reras, då en GPS inte hinner generera 100 eller 1000 koordinater på några sekunder kan de värdena inte appliceras i verkligheten. En annan nackdel med att använda många koordinater är att programmet som ska exekvera Kalmanfiltret kommer ta längre tid och på det sättet förhindra programmet att fungera.
Detta betyder att projektet kan användas i praktiken då den verkliga positionen kunde säkerställas inom den felmarginal som krävs, av det filter som programmera-des. Det filter som utformades kunde inte ta hänsyn till fler variabler då projektet inte planerade för detta. I grunden bestämdes det att Kalmanfiltret skulle lösa posit-ioneringen med hjälp av två variabler, det resultatet visar är tydligt att genom denna metod kan det fastställas med en hög felmarginal.
Utveckling att det filtret som programmerades att hantera flera variabler och ta hän-syn till att en GPS uppdaterar dess värden med små enheter är den forskning som behöver göras för att denna prototyp ska fungera korrekt.
21 | SLUTSATS
5 Slutsats
Resultatet visar att den prototyp som framställdes ger en korrekt position på tågvag-nen inom den felmarginal som krävs med hjälp av latitud och longitud i ett Kalman-filter. Prototypen angav med hjälp av ett programmerad Kalmanfilter de värden som en GPS-modul hade genererat. Därmed visade det att Kalmanfiltret klarade av att ersätta en GPS där täckning ej finns genom att visa den exakta positionen.
Projektet klarade de mål som var uppsatta och svarade på den fråga som ställdes, nämligen att utvärdera och programmera ett Kalmanfilter för positionering av tåg-vagnar.
Vidareutveckling av prototypen kan ske i flera steg. Prototypen kan bestyckas med en GPS vars teknik kan hantera en differens på decimeter nivå och ett Kalmanfilter kan programmeras att hantera flera variabler. För vidareforskning inom positioner-ing på järnvägen kan prototypen användas som en måttstock på vart minimum grän-sen går för att hantera de olika variablerna som existerar i branschen.
23 | KÄLLFÖRTECKNING
Källförteckning
[1] Trafikverket. Nya teknikhus stort steg framåt för ERTMS [Internet]. Stockholm: Trafikverket; 2019 [uppdaterad 2019-02-22; citerad 2019-03-26] Hämtad från:
https://www.trafikverket.se/for-dig-i-branschen/teknik/ny-teknik-i-transportsy- stemet/Trafikstyrningssystemet-ERTMS/Aktuellt-ERTMS/2019/stort-steg-taget-i-inforande-av-ertms/
[2] Trafikverket. Identifiering och positionering av järnvägsfordon (RFID) [Inter-net]. Stockholm: Trafikverket; 2018 [uppdaterad 2018-06-28; citerad 2019-03-26] Hämtad från: https://www.trafikverket.se/tjanster/system-och-verktyg/tra-fik/identifiering-och-positionering-av-jarnvagsfordon-rfid/
[3] Trafikverket. Lathund för RFID in Rail [Internet]. Borlänge: Trafikverket; 2015 [uppdaterad 2015-11-02; citerad 2019-03-26] Hämtad från: https://www.trafikver-
ket.se/contentassets/23d4305d6fa246a7aefe1003241e6c0b/lat-hund_for_rfid_in_rail_151214.pdf
[4] Banverket. Spårledningar: Grundläggande signaleringskrav [Internet]. Stock-holm: Banverket; 2009 [uppdaterad 2009-09-30; citerad 2019-03-26] Hämtad från:
https://www.trafikverket.se/con-tentasets/e0c78767c72944c0b34d78c639fde0bc/bvs544.98017.pdf
[5] A. Albanese, G. Labbiento, L. Marradi, G. Venturi. The RUNE project: The integ-rity performances of GNSS-based railway user navigation equipment. Proceedings of the 2005 ASME/IEEE Joint Rail Conference, 2005. 16-18 mars 2005; Pueblo, CO, USA. IEEE; 2005. s. 211 – 218.
[6] Z. Jiang. Digital route model aided integrated satellite navigation and low-cost inertial sensors for high-performance positioning on the railways [doktorsavhan-dling på Internet]. London: University College London; 2010 [citerad 2019-03-26]. Hämtad från: http://discovery.ucl.ac.uk/1310254/1/1310254.pdf
[7] K. Lüddecke, C. Rahmig. Evaluating multiple GNSS data in a multi-hypothesis-based map-matching algorithm for train positioning. 2011 IEEE Intelligent Vehicles Symposium (IV). 5–9 juni 2011; Baden-Baden, Tyskland. IEEE; 2011. s. 1037 - 1042 [8] K. Gerlach, C. Rahmig. Multi-hypothesis-based map-matching algorithm for pre-cise train positioning. 2009 12th International Conference on Information Fusion. 6-9 July 2009; Seattle, WA, USA. IEEE; 2009. s. 1363 – 1369.
[9] J. Wohlfeil. Vision based rail track and switch recognition for self-localization of trains in a rail network. 2011 IEEE Intelligent Vehicles Symposium (IV). 5–9 juni 2011; Baden-Baden, Tyskland. IEEE; 2011. s. 1025 – 1030.
24 | KÄLLFÖRTECKNING
[10] P. Pichlik, J. Zdenek. Train velocity estimation by extended Kalman filter. 2016 8th International Conference on Electronics, Computers and Artificial Intelli-gence (ECAI). 30 juni-2 juli 2016; Ploiesti, Romania. IEEE; 2017. s.1-4.
[11] Finkenzeller K. RFID handbook: Fundamentals and applications in contactless smart cards, radio frequency identification and near-field communication. 3 ed. England: Wiley; 2010
[12] H. Hofestadt. GSM-R: global system for mobile radio communications for rail-ways. 1995 International Conference on Electric Railways in a United Europe. 27-30 mars 1995; Amsterdam, Holland. IEEE; 2002. s. 111 - 115.
[13] McNeff J.G. The global positioning system. IEEE Transactions on Microwave Theory and Techniques. 2002;50(3): 645 - 652
[14] U.S. Coast Guard Navigation Center. General Information about GPS [Inter-net]. Alexandria: U.S. Coast Guard Navigation Center; 2017 [uppdaterad 2017-27-07; citerad 2019-03-26]. Hämtad från:
https://www.navcen.uscg.gov/?pa-geName=GPSmain
[15] Hofmann-Wellenhof B, Lichtenegger H, Wasle, E. GNSS – Global Navigation Satellite Systems: GPS, GLONASS, Galileo, and more. 1 ed. Tyskland: Springer Sci-ence & Business Media; 2007.
[16] C.J. Hegarty. GNSS signals — An overview. 2012 IEEE International Fre-quency Control Symposium Proceedings. 21-24 maj 2012; Baltimore, MD, USA. IEEE; 2012. s.1
TRITA CBH-GRU-2019:040