A estimação de trajetórias em Navegação Inercial é um importante caso particular da estimação de estados na Teoria de Sistemas. A Navegação Inercial utiliza giroscópios (sensores que medem velocidade de rotação angular) e acelerômetros (sensores que medem aceleração) para manter estimativas de posição e velocidade do veículo no qual uma Central Inercial (conjunto de 3 acelerômetros e 3 giroscópios) está embarcada. Este veículo pode ser uma aeronave, um navio, um submarino, uma sonda ou um veículo terrestre. Os Sistemas de Navegação Inercial modernos normalmente utilizam o filtro de Kalman para calcular estimativas de trajetórias de veículos, o que constitui um sistema de fusão sensorial - nos filtros estocásticos há uma integração das medidas dadas pela Central Inercial com medidas de referência (que podem ser medidas de posição dadas por um odômetro, ou medidas de velocidade dadas por um velocímetro, por exemplo). Uma aplicação em estudo recentemente é a implementação de Sistemas de Navegação Inercial através de filtros de partículas. Filtros de partículas são filtros preditivos destinados à estimação de estados em sistemas, sendo baseados no método de Monte Carlo seqüencial. Estes filtros geram amostras (ou partículas) ponderadas para aproximar uma determinada função densidade de probabilidade. Nosso objetivo é aplicar tanto o filtro de Kalman quanto os filtros de partículas à estimação de posição de um veículo contendo uma Central Inercial, e posteriormente comparar o desempenho destes dois tipos de filtro. Neste contexto, uma aplicação particularmente importante para a indústria petrolífera é a estimação de trajetórias de um pig inercial. Pig é um cilindro dotado de sensores, sendo utilizado para inspecionar dutos na indústria petrolífera (um pig move-se no interior dos dutos impulsionado pelo óleo). ) Embarcando-se uma Central Inercial e um odômetro no pig, compõe-se um Sistema de Navegação Inercial de fusão sensorial, o qual utiliza os filtros previamente mencionados para estimar a trajetória descrita pelo pig. Uma utilidade da estimação de trajetória do pig é a reconstituição do mapeamento de dutos, que é de grande valia em trechos onde o mapeamento documentado é pobre ou pouco especificado. Este trabalho descreve a implementação de um Sistema de Navegação Inercial do tipo strapdown com uma Central Inercial de baixo custo para estimação de trajetórias de veículos. Este sistema realiza estimações utilizando o filtro de Kalman e os filtros de partículas, e são apresentados os resultados de vários tipos de testes: dois testes foram realizados num automóvel, um teste foi realizado no Metrô e o último e mais importante foi realizado usando-se um pig inercial. Analisando os resultados destes testes, podemos tirar conclusões a respeito do funcionamento e aspectos práticos de aplicação dos filtros supracitados.

The trajectory estimation in Inertial Navigation is an important case of the state estimation in the Systems Theory. The Inertial Navigation makes use of accelerometers and gyroscopes to estimate position and velocity of a vehicle in which an Inertial Measurements Unit (IMU) (cluster of 3 accelerometers and 3 gyroscopes) is embedded. This vehicle can be an airplane, a ship, a submarine or a land vehicle. The modern Inertial Navigation Systems are aided by a Kalman Filter to estimate vehicles' trajectories, which creates a sensor fusion system - in stochastic filters there is an integration of the IMU measurements with reference measurements (position given by an odometer, or velocities given by a velocimeter, for example). An important aplication that has been studied is the implementation of Inertial Navigation Systems using particle filters. Particle filters are predictive filters that can be applied to the states estimation in systems, being based on the sequential Monte Carlo method. These filters yield weighted samples to approximate a certain probability density function. Then, our aim is to apply the Kalman Filter and the particle filters to the position estimation of a vehicle carrying an IMU, and to compare the performance of these 2 types of filter. In this context, an important application for the petroleum industry is the trajectory estimation of an inertial pig. Pig is a cylinder composed by sensors, and it is used to inspect pipelines (a pig moves inside the pipelines pushed by the oil). By mounting an IMU and an odometer in the pig we get a sensor fusion Inertial Navigation System, that applies the filters to estimate the pig' trajectory. An utility of the trajectory estimation of the pig is the mapping reconstitution of the pipelines, that is valuable in places where the documentation is poorly specified. ) This work describes the implementation of a Strapdown INS with a low-cost IMU to estimate vehicles' trajectories. This system uses the Kalman filter and the particle filters, and many experimental results are presented: two tests are automobilistic, one is done in the Metro and the most important one uses an inertial pig. By the analysis of these tests results we can draw conclusions about the behaviour and the practical aspects of these filters' application.