Nghiên Cứu Phát Triển Phương Thức Autopilot Cho Thiết Bị Bay Không Người Lái UAV

• Tác giả: Bùi Đức Mạnh
• Người hướng dẫn: PGS. Nguyễn Thúy Anh
• Trường học: Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ Thuật Viễn Thông
• Đề tài: Nghiên Cứu Phát Triển Hệ Thống Autopilot Cho UAV
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

• LỜI MỞ ĐẦU
• LỜI CAM ĐOAN
• DANH MỤC KÍ HIỆU VÀ CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC BẢNG BIỂU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ UAV, ĐỊNH VỊ ĐIỂM CHÍNH XÁC PPP, GPS VÀ HỆ THỐNG ĐỊNH VỊ QUÁN TÍNH INS
• 1.1. Sơ lược các thiết bị bay không người lái UAV
• 1.2. Sơ lược hệ thống Autopilot cho UAV
• 1.3. Sơ lược về các hệ thống định vị điểm chính xác GPS và cảm biến quán tính
• 1.4. Sơ lược về hệ thống tích hợp PPP GPS/MEMS IMU
• 1.5. Tổng quan về hệ thống định vị toàn cầu GPS
• 1.6. Tổng quan về phương pháp định vị điểm chính xác
• 1.7. Tổng quan về hệ thống định vị quán tính INS
• 1.8. SỰ TÍCH HỢP GIỮA INS VÀ GPS
• 1.8.1. Phương pháp tích hợp GPS/INS
• 1.8.2. Bộ lọc Kalman. Bộ lọc PPP GPS
• 1.8.3. Hệ thống PPP GPS/MEMS IMU theo phương pháp tích hợp chặt chẽ
• 1.8.4. Hệ thống tích hợp lỏng PPP GPS/MEMS IMU
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 3.1. Tổng quan và thực hiện
• 3.2. Khởi tạo và phân tích bài toán
• 3.3. Kết quả mô phỏng
• 3.4. Kết luận chương và hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Hệ Thống Autopilot UAV Nghiên Cứu Bách Khoa HN

Chương này giới thiệu tổng quan về hệ thống Autopilot UAV, xem xét các đặc tính của hai hệ thống định vị điểm chính xác PPP, GPS và hệ thống định vị quán tính INS. Bài viết trình bày phương pháp đo trong hệ thống GPS và các nguồn nhiễu ảnh hưởng tới độ chính xác của hệ thống GPS. Sau đó, trình bày công nghệ định vị điểm chính xác với các biện pháp cụ thể để loại trừ các nguồn lỗi ảnh hưởng đến hệ thống. Cuối cùng là trình bày nguyên lý của hệ thống định vị quán tính INS bao gồm: các hệ tọa độ, bộ xử lý INS, và thủ tục thiết lập các thông số ban đầu.

1.1. Tổng quan về thiết bị bay không người lái UAV

Máy bay không người lái (UAV) đã được sử dụng tích cực trên khắp thế giới cho những lĩnh vực công nghệ cao, những nhiệm vụ giám sát và trinh sát. Từ những năm 1960, số lượng thiết bị bay không người lái được sản xuất bởi hơn 150 quốc gia, từ thiết bị Pioneer chi phí thấp đến Global Hawk trị giá hàng triệu đô-la. Các loại UAV có tầm bay và khả năng chịu đựng khác nhau. Ứng dụng của UAV ngày càng mở rộng, không chỉ trong quân sự mà còn trong kinh tế, xã hội.

1.2. Sơ lược về hệ thống Autopilot cho UAV

Hệ thống Autopilot UAV gồm 4 phần chính: thiết bị bay không người lái UAV, trạm điều khiển mặt đất (GCS), hệ thống truyền nhận thông tin và hệ thống định vị. GCS có khả năng giao tiếp thời gian thực với máy bay thông qua hệ thống truyền nhận dữ liệu. Trạm mặt đất dùng để theo dõi trạng thái thực của máy bay, theo dõi tín hiệu video từ camera. Trạm điều khiển còn có chức năng điều khiển trực tiếp, can thiệp vào quá trình bay tự động của máy bay. Dữ liệu chuyến bay có thể được lưu trữ hoặc truyền trực tiếp về trạm điều khiển để xử lý, lưu trữ. GCS có thể mô phỏng lại các thông số trạng thái đã lưu trữ để phân tích, rút kinh nghiệm cho chuyến bay.

1.3. Tổng quan về hệ thống định vị điểm chính xác GPS

Định vị điểm chính xác (Precise Point Positioning - PPP) sử dụng các phương pháp không vi sai từ một bộ thu lưỡng tần số, chẳng hạn như giả khoảng cách, đo pha sóng mang kết hợp với dữ liệu quỹ đạo và đồng hồ chính xác. Kỹ thuật này không phải chịu những hạn chế của kỹ thuật GPS truyền thống và có thể đưa ra độ chính xác tương tự độ chính xác của kỹ thuật DGPS mà không cần trạm tham chiếu. Các tổ chức như IGS và JPL cung cấp quỹ đạo vệ tinh và đồng hồ chính xác.

II. Thách Thức Giải Pháp Phát Triển Autopilot UAV Bách Khoa

Việc phát triển hệ thống Autopilot cho UAV gặp nhiều thách thức. Các yếu tố môi trường, giới hạn về kích thước và trọng lượng, yêu cầu về độ chính xác cao và khả năng xử lý thời gian thực là những vấn đề cần giải quyết. Giải pháp bao gồm việc sử dụng các thuật toán điều khiển tiên tiến, cảm biến chất lượng cao và phần cứng mạnh mẽ. Việc tích hợp trí tuệ nhân tạo (AI) cũng hứa hẹn mang lại khả năng tự động hóa cao hơn cho UAV.

2.1. Vấn đề tích hợp GPS INS cho UAV

Hệ thống GPS cung cấp thông tin vị trí tuyệt đối, nhưng dễ bị nhiễu và gián đoạn tín hiệu. Hệ thống INS cung cấp thông tin vị trí tương đối, hoạt động độc lập nhưng sai số tích lũy theo thời gian. Việc tích hợp GPS/INS giúp khắc phục nhược điểm của cả hai hệ thống, mang lại độ chính xác và độ tin cậy cao hơn. Bộ lọc Kalman được sử dụng để kết hợp thông tin từ hai hệ thống một cách tối ưu.

2.2. Giảm thiểu sai số cảm biến quán tính MEMS

Cảm biến quán tính MEMS có kích thước nhỏ, giá thành thấp nhưng độ chính xác không cao so với các loại cảm biến khác. Sai số của cảm biến quán tính MEMS có thể ảnh hưởng đến độ chính xác của hệ thống INS. Các phương pháp hiệu chỉnh sai số, như hiệu chỉnh Kalman, được sử dụng để giảm thiểu ảnh hưởng của sai số cảm biến.

2.3. Ứng dụng thuật toán điều khiển học UAV

Việc phát triển các thuật toán điều khiển tối ưu là chìa khóa để đạt được hiệu suất cao cho UAV. Các thuật toán điều khiển cần đảm bảo UAV bay ổn định, chính xác và phản ứng nhanh chóng với các thay đổi môi trường. Các kỹ thuật điều khiển thích nghi, điều khiển dự đoán được sử dụng để đối phó với tính phi tuyến và bất định của hệ thống UAV.

III. Phương Pháp Phát Triển Hệ Thống Lái Tự Động UAV Bách Khoa HN

Nghiên cứu này tập trung vào phát triển phương thức Autopilot cho thiết bị bay không người lái UAV bằng cách sử dụng bộ thu định vị chính xác tích hợp GPS/INS. Phương pháp này mang lại độ chính xác cao, ổn định, ít chịu ảnh hưởng của điều kiện thời tiết, với chi phí thấp hơn so với các hệ thống định vị khác có cùng độ chính xác. Luận văn trình bày chi tiết các nội dung liên quan đến phương pháp tích hợp PPP GPS/MEMS IMU.

3.1. Tích hợp chặt chẽ và tích hợp lỏng GPS INS

Có hai phương pháp tích hợp chính: tích hợp chặt chẽ và tích hợp lỏng. Tích hợp chặt chẽ kết hợp dữ liệu thô từ GPS và INS ở mức thấp nhất, cho phép xử lý tín hiệu GPS ngay cả khi tín hiệu yếu. Tích hợp lỏng kết hợp thông tin vị trí và vận tốc từ GPS và INS ở mức cao hơn. Tích hợp chặt chẽ cho độ chính xác cao hơn nhưng phức tạp hơn về mặt tính toán.

3.2. Lọc Kalman trong hệ thống Autopilot UAV

Bộ lọc Kalman là một thuật toán ước lượng trạng thái tối ưu, được sử dụng rộng rãi trong các hệ thống Autopilot. Bộ lọc Kalman kết hợp thông tin từ các cảm biến khác nhau, như GPS và INS, để ước lượng vị trí, vận tốc và hướng của UAV một cách chính xác. Bộ lọc Kalman cũng có khả năng giảm thiểu ảnh hưởng của nhiễu và sai số cảm biến.

3.3. Xử lý tín hiệu trong môi trường nhiễu động UAV

Môi trường hoạt động của UAV thường xuyên bị nhiễu động, gây khó khăn cho việc thu thập và xử lý tín hiệu. Các kỹ thuật xử lý tín hiệu tiên tiến, như lọc nhiễu thích nghi, được sử dụng để cải thiện chất lượng tín hiệu và tăng độ tin cậy của hệ thống Autopilot. Các thuật toán chống nhiễu cần được thiết kế để hoạt động hiệu quả trong các điều kiện nhiễu khác nhau.

IV. Kết Quả Nghiên Cứu Đánh Giá Hiệu Năng Autopilot UAV BKAV

Kết quả nghiên cứu dựa trên mô phỏng Matlab, so sánh sai số vị trí giữa các hệ thống rời rạc và hệ thống tích hợp. So sánh hiệu năng của các thuật toán điều khiển khác nhau trong điều kiện môi trường khác nhau. Đánh giá ảnh hưởng của các yếu tố như nhiễu tín hiệu, sai số cảm biến đến độ chính xác của hệ thống. Các kết quả này cung cấp cơ sở để cải thiện hiệu năng của hệ thống Autopilot UAV.

4.1. So sánh sai số vị trí giữa GPS INS và GPS INS

Mô phỏng cho thấy hệ thống GPS/INS tích hợp có độ chính xác cao hơn so với hệ thống GPS hoặc INS riêng lẻ. Hệ thống GPS/INS có thể duy trì độ chính xác ngay cả khi tín hiệu GPS bị gián đoạn trong thời gian ngắn. Sai số vị trí của hệ thống INS tăng lên theo thời gian, nhưng được hiệu chỉnh bởi GPS.

4.2. Ảnh hưởng của nhiễu đến độ chính xác của Autopilot

Nhiễu tín hiệu có thể làm giảm độ chính xác của hệ thống GPS và ảnh hưởng đến hiệu năng của hệ thống Autopilot. Các thuật toán lọc nhiễu có thể giúp giảm thiểu ảnh hưởng của nhiễu, nhưng hiệu quả phụ thuộc vào loại nhiễu và cường độ nhiễu. Cần có các phương pháp chống nhiễu hiệu quả để đảm bảo độ tin cậy của hệ thống Autopilot.

4.3. Đánh giá độ ổn định của UAV trong điều kiện gió

Gió có thể gây ra các dao động và làm giảm độ ổn định của UAV. Các thuật toán điều khiển cần có khả năng chống lại ảnh hưởng của gió và duy trì UAV ở vị trí mong muốn. Mô phỏng cho thấy hệ thống Autopilot có thể điều khiển UAV ổn định trong điều kiện gió nhẹ đến trung bình.

V. Kết Luận Hướng Phát Triển Hệ Thống Autopilot UAV

Nghiên cứu đã trình bày một phương pháp phát triển hệ thống Autopilot cho UAV bằng cách tích hợp GPS/INS và sử dụng các thuật toán điều khiển tiên tiến. Kết quả cho thấy phương pháp này có tiềm năng mang lại độ chính xác cao, độ tin cậy cao và khả năng hoạt động ổn định trong các điều kiện môi trường khác nhau. Hướng phát triển tiếp theo bao gồm việc thử nghiệm hệ thống trên UAV thực tế và tích hợp trí tuệ nhân tạo để tăng khả năng tự động hóa.

5.1. Tổng kết các đóng góp của nghiên cứu UAV

Nghiên cứu này đã đóng góp vào việc phát triển hệ thống Autopilot UAV bằng cách đề xuất một phương pháp tích hợp hiệu quả và đánh giá hiệu năng của hệ thống trong các điều kiện khác nhau. Các kết quả nghiên cứu có thể được sử dụng để phát triển các hệ thống Autopilot UAV tiên tiến hơn cho các ứng dụng khác nhau.

5.2. Hướng nghiên cứu tiếp theo UAV Bách Khoa Hà Nội

Hướng nghiên cứu tiếp theo bao gồm việc phát triển các thuật toán điều khiển thích nghi để đối phó với các điều kiện môi trường thay đổi, tích hợp trí tuệ nhân tạo để tăng khả năng tự động hóa và phát triển các phương pháp chống nhiễu hiệu quả hơn. Ngoài ra, cần có các nghiên cứu về an toàn và tin cậy của hệ thống Autopilot.

Tổng quan nghiên cứu

Thiết bị bay không người lái (UAV) ngày càng đóng vai trò quan trọng trong nhiều lĩnh vực như giám sát, trinh sát, vận tải và an ninh quốc phòng. Theo ước tính, nhu cầu sử dụng UAV tăng trưởng mạnh mẽ trong thập kỷ qua, đặc biệt là các hệ thống định vị và điều khiển tự động (autopilot) nhằm nâng cao độ chính xác và hiệu quả hoạt động. Tuy nhiên, các hệ thống định vị truyền thống như GPS vẫn còn tồn tại hạn chế về sai số do ảnh hưởng của điều kiện thời tiết, nhiễu sóng và sai lệch đồng hồ vệ tinh. Mục tiêu nghiên cứu của luận văn là phát triển phương thức autopilot cho UAV dựa trên tích hợp hệ thống định vị điểm chính xác Precise Point Positioning (PPP) GPS và hệ thống định vị quán tính Inertial Navigation System (INS), nhằm cải thiện độ chính xác định vị, ổn định và giảm chi phí so với các hệ thống hiện có.

Phạm vi nghiên cứu tập trung vào thiết kế và mô phỏng hệ thống autopilot cho UAV tại Việt Nam trong giai đoạn từ năm 2015 đến 2020, sử dụng dữ liệu mô phỏng trên nền tảng Matlab. Ý nghĩa nghiên cứu được thể hiện qua việc nâng cao độ chính xác định vị UAV xuống dưới 5 cm, giảm thiểu ảnh hưởng của điều kiện thời tiết và sai số đồng hồ vệ tinh, đồng thời giảm chi phí triển khai hệ thống so với các giải pháp định vị khác. Các chỉ số hiệu quả như sai số vị trí, độ trễ dữ liệu và độ ổn định hệ thống được sử dụng làm metrics đánh giá.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn áp dụng hai khung lý thuyết chính:

1. Hệ thống định vị toàn cầu GPS và phương pháp định vị điểm chính xác PPP: GPS cung cấp tín hiệu sóng mang L1, mã trải phổ C/A và P(Y), cùng bản tin định vị. PPP là phương pháp định vị sử dụng tín hiệu GPS với độ chính xác cao, xử lý sai số đồng hồ vệ tinh, sai số quỹ đạo, trễ tầng điện ly và tầng đối lưu. Bộ lọc Kalman được sử dụng để xử lý tín hiệu và tích hợp dữ liệu.

2. Hệ thống định vị quán tính INS: INS sử dụng cảm biến quán tính MEMS IMU gồm con quay (gyroscope) và gia tốc kế (accelerometer) để đo vận tốc góc và gia tốc tuyến tính. INS hoạt động độc lập, không phụ thuộc tín hiệu bên ngoài, nhưng sai số tích lũy theo thời gian. Việc tích hợp INS với GPS giúp khắc phục hạn chế này.

Các khái niệm chính bao gồm:

• Sai số đồng hồ vệ tinh và quỹ đạo vệ tinh
• Trễ tầng điện ly và tầng đối lưu
• Bộ lọc Kalman và phương pháp tích hợp chặt chẽ GPS/INS
• Mô hình cảm biến quán tính MEMS IMU
• Hệ tọa độ quán tính, hệ tọa độ cố định tâm trái đất (ECEF), hệ tọa độ định vị (LLF) và hệ tọa độ gắn liền vật thể (b-frame)

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các tín hiệu GPS, dữ liệu cảm biến MEMS IMU và các thông số môi trường được mô phỏng trên phần mềm Matlab. Cỡ mẫu nghiên cứu bao gồm các chuỗi tín hiệu GPS với các loại mã C/A, P(Y) và tín hiệu sóng mang L1, cùng dữ liệu gia tốc và vận tốc góc từ cảm biến MEMS IMU.

Phương pháp phân tích sử dụng bộ lọc Kalman để tích hợp dữ liệu PPP GPS và INS, xử lý sai số đồng hồ, sai số quỹ đạo, trễ tầng điện ly và tầng đối lưu, đồng thời giảm thiểu sai số tích lũy của INS. Timeline nghiên cứu kéo dài khoảng 12 tháng, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, mô phỏng và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác định vị nâng cao: Hệ thống tích hợp PPP GPS/MEMS IMU đạt độ chính xác vị trí dưới 5 cm, giảm hơn 30% sai số so với hệ thống GPS rời rạc. Sai số vị trí trung bình giảm từ khoảng 15 cm xuống còn dưới 5 cm trong điều kiện thời tiết bình thường.

2. Ổn định và ít chịu ảnh hưởng thời tiết: Phương pháp PPP GPS ít bị ảnh hưởng bởi trễ tầng điện ly và tầng đối lưu, giúp hệ thống hoạt động ổn định trong nhiều điều kiện thời tiết khác nhau, giảm sai số vị trí trung bình xuống còn khoảng 3 cm so với 7 cm của GPS truyền thống.

3. Giảm chi phí triển khai: Sử dụng cảm biến MEMS IMU chi phí thấp kết hợp với PPP GPS giúp giảm chi phí hệ thống autopilot khoảng 25-30% so với các hệ thống định vị chính xác cao khác như DGPS hoặc RTK.

4. Hiệu quả xử lý tín hiệu: Bộ lọc Kalman tích hợp chặt chẽ giữa dữ liệu GPS và INS giúp giảm sai số đồng hồ vệ tinh và quỹ đạo, đồng thời hạn chế sai số tích lũy của INS, nâng cao độ tin cậy của hệ thống.

Thảo luận kết quả

Nguyên nhân chính của việc nâng cao độ chính xác là do phương pháp PPP GPS sử dụng các bản tin định vị chính xác, xử lý sai số đồng hồ và quỹ đạo vệ tinh, kết hợp với cảm biến quán tính MEMS IMU cung cấp dữ liệu vận tốc góc và gia tốc tuyến tính liên tục. Bộ lọc Kalman đóng vai trò quan trọng trong việc tích hợp và lọc nhiễu tín hiệu, giúp giảm sai số tổng thể.

So sánh với các nghiên cứu trước đây, kết quả mô phỏng cho thấy hệ thống tích hợp PPP GPS/INS có độ chính xác và ổn định vượt trội hơn so với các hệ thống GPS đơn lẻ hoặc DGPS. Việc giảm chi phí nhờ sử dụng cảm biến MEMS IMU cũng là điểm mạnh nổi bật, phù hợp với điều kiện triển khai thực tế tại Việt Nam.

Dữ liệu có thể được trình bày qua biểu đồ sai số vị trí trung bình theo thời gian, bảng so sánh chi phí và độ chính xác giữa các hệ thống, cũng như biểu đồ thể hiện ảnh hưởng của điều kiện thời tiết đến sai số định vị.

Đề xuất và khuyến nghị

1. Triển khai thử nghiệm thực tế tại các địa phương: Thực hiện các chuyến bay thử nghiệm UAV sử dụng hệ thống autopilot tích hợp PPP GPS/MEMS IMU trong vòng 6 tháng để đánh giá hiệu quả thực tế, do các cơ quan nghiên cứu và doanh nghiệp UAV thực hiện.

2. Nâng cấp phần mềm bộ lọc Kalman: Cải tiến thuật toán lọc Kalman để xử lý tín hiệu nhanh hơn và chính xác hơn, giảm độ trễ dữ liệu xuống dưới 1 giây, do nhóm phát triển phần mềm UAV đảm nhiệm trong 3 tháng tiếp theo.

3. Phát triển cảm biến MEMS IMU thế hệ mới: Hợp tác với các nhà sản xuất để phát triển cảm biến MEMS IMU có độ nhạy cao hơn, giảm sai số đo, dự kiến hoàn thành trong 12 tháng, do các viện nghiên cứu công nghệ đảm nhận.

4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo chuyên sâu về hệ thống autopilot tích hợp PPP GPS/INS cho kỹ sư và kỹ thuật viên UAV trong vòng 6 tháng, nhằm nâng cao năng lực vận hành và bảo trì hệ thống.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành kỹ thuật viễn thông, điều khiển tự động: Nắm bắt kiến thức chuyên sâu về tích hợp hệ thống định vị GPS và INS, áp dụng vào nghiên cứu và phát triển UAV.

2. Doanh nghiệp sản xuất và phát triển UAV: Áp dụng phương pháp autopilot tích hợp để nâng cao chất lượng sản phẩm, giảm chi phí và tăng tính cạnh tranh trên thị trường.

3. Cơ quan quản lý và vận hành UAV trong lĩnh vực an ninh, quốc phòng: Hiểu rõ về công nghệ định vị chính xác, nâng cao hiệu quả giám sát và điều khiển UAV trong các nhiệm vụ đặc thù.

4. Các nhà phát triển phần mềm và hệ thống điều khiển tự động: Tham khảo mô hình bộ lọc Kalman và phương pháp tích hợp dữ liệu để phát triển các giải pháp điều khiển UAV tiên tiến.

Câu hỏi thường gặp

1. Phương pháp PPP GPS khác gì so với GPS truyền thống?
   PPP GPS sử dụng các bản tin định vị chính xác và xử lý sai số đồng hồ, quỹ đạo vệ tinh, giúp nâng cao độ chính xác định vị xuống dưới 5 cm, trong khi GPS truyền thống có sai số khoảng vài mét.

2. Tại sao cần tích hợp INS với GPS trong hệ thống autopilot UAV?
   INS cung cấp dữ liệu vận tốc góc và gia tốc liên tục, không phụ thuộc tín hiệu bên ngoài, giúp bù đắp sai số và trễ tín hiệu GPS, nâng cao độ ổn định và chính xác của hệ thống.

3. Bộ lọc Kalman có vai trò gì trong hệ thống này?
   Bộ lọc Kalman xử lý và tích hợp dữ liệu từ GPS và INS, giảm nhiễu và sai số, đồng thời dự đoán trạng thái hệ thống, giúp hệ thống autopilot hoạt động chính xác và ổn định hơn.

4. Chi phí sử dụng cảm biến MEMS IMU có cao không?
   Cảm biến MEMS IMU có chi phí thấp hơn nhiều so với các loại cảm biến quán tính truyền thống, giúp giảm tổng chi phí hệ thống autopilot mà vẫn đảm bảo độ chính xác cần thiết.

5. Hệ thống này có thể áp dụng trong điều kiện thời tiết xấu không?
   Phương pháp PPP GPS ít bị ảnh hưởng bởi trễ tầng điện ly và tầng đối lưu, kết hợp với INS giúp hệ thống hoạt động ổn định và chính xác ngay cả trong điều kiện thời tiết không thuận lợi.

Kết luận

• Phương thức autopilot tích hợp PPP GPS và INS nâng cao độ chính xác định vị UAV xuống dưới 5 cm, giảm hơn 30% sai số so với GPS đơn lẻ.
• Hệ thống hoạt động ổn định, ít chịu ảnh hưởng của điều kiện thời tiết và sai số đồng hồ vệ tinh.
• Sử dụng cảm biến MEMS IMU chi phí thấp giúp giảm tổng chi phí triển khai hệ thống khoảng 25-30%.
• Bộ lọc Kalman đóng vai trò then chốt trong việc tích hợp và xử lý dữ liệu, nâng cao hiệu quả hệ thống.
• Đề xuất triển khai thử nghiệm thực tế, nâng cấp thuật toán và đào tạo nhân lực để ứng dụng rộng rãi trong các lĩnh vực UAV.

Tiếp theo, nghiên cứu sẽ tập trung vào thử nghiệm thực tế và phát triển cảm biến MEMS IMU thế hệ mới nhằm hoàn thiện hệ thống autopilot cho UAV. Độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm dựa trên nền tảng này để nâng cao hiệu quả và ứng dụng UAV trong thực tế.