INTELLIGENT VEHICLES LOCALIZATION

Get Complete Project Material File(s) Now! »

Résumé

Dans ce chapitre, quelques techniques générales pour la localisation de véhicules intelligents sont examinées. En outre, une étude des solutions existantes pour la localisation de véhicules intelligents dans des environnements sans GPS est présentée.
En général, les techniques de localisation IV peuvent être divisées en deux catégories: la localisation globale et la localisation locale. Souvent, la catégorie de localisation globale est une méthode de localisation basée sur GNSS. Ces méthodes utilisent les signaux satellites pour déterminer les informations de position 3D du récepteur dans une référence globale (telle que WGS84). Le terme GPS fait référence au système de positionnement global qui est régi par les États-Unis d’Amérique. Il existe d’autres systèmes mondiaux de navigation par satellite (GNSS) tels que GLONASS (Russie), Galileo (Europe) et Beidou (Chine). Pour simplifier le problème, la thèse se concentrera sur les performances du GPS en tant que représentant d’autres GNSS. Le principe de calcul de la position du récepteur est basé sur la connaissance des positions des satellites, puis sur la déduction des «pseudo-distances» respectives entre ces satellites et le récepteur, comme illustré à la figure 2.2. Ici, le terme « pseudo-distance » se réfère à la distance calculée entre les satellites et le récepteur mobile. Étant donné que les satellites se déplacent constamment, cette distance n’est pas une valeur fixe. Pour calculer la position 3D d’un récepteur, il faut au moins quatre satellites. Vous trouverez un aperçu du système GPS dans (Hofmann-Wellenhof, Lichtenegger et Wasle 2018).
Il existe deux niveaux de services GPS, à savoir le service de positionnement standard (SPS) et le service de positionnement précis (PPS). Alors que SPS est accessible aux utilisateurs publics, les PPS de haute précision ne sont accessibles qu’aux utilisateurs autorisés (personnel militaire, agents de l’État). Le tableau 1 et le tableau 2 récapitulent les performances SPS et PPS. En général, SPS fournit une erreur de localisation maximale de 7,8 m dans 95% des cas, et le système PPS offre une meilleure précision avec une erreur de localisation maximale de 5,9 m dans 95% des heures. temps. En outre, la précision verticale devrait être inférieure à la précision horizontale dans toutes les mesures GPS. Dans le meilleur des cas, une solution DGPS de haute précision appelée GPS cinématique en temps réel (RTK GPS) peut offrir une précision de quelques centimètres. Cependant, le procédé nécessite des stations de base dédiées, des capteurs, des signaux GPS continus et un prix excessif pour le déploiement et la maintenance. Cela rend le RTK non adapté à la plupart des applications urbaines («Real Time Kinematics – Navipedia» 2018).
À l’instar des États-Unis, l’Union européenne a également mis au point un système de positionnement global appelé Galileo, destiné à fournir un système de positionnement global indépendant de haute précision aux pays européens. Le système est censé aider les pays de l’UE à ne pas compter sur le chinois BeiDou, le russe GLONASS ou, plus important encore, sur le GPS américain. Dans de bonnes conditions, telles que des satellites pleinement fonctionnels (jusqu’à 30 unités), une vision claire du récepteur aux satellites, etc., le libre accès libre pour la navigation du système Galileo à la frontière de l’UE devrait être d’environ 4 mètres de précision («Galileo Introduction générale – Navipedia ”2018). Le GLONASS développé par la Russie dans les années 1980 est un autre système qui mérite d’être mentionné. En 2010, le GLONASS couvrait l’ensemble du territoire russe, puis après octobre 2011, la couverture mondiale est atteinte. L’évolution de la précision de positionnement du GLONASS est illustrée à la figure 2.5. Jusqu’à présent, sous un ciel statique, la précision du GLONASS pour l’accès public était de 2,8 mètres. Vous trouverez une comparaison rapide des différents systèmes de localisation globale dans le tableau 3.
Une méthode de localisation locale notable est la localisation au laser. En utilisant une technique de télémètre basée sur les rayons laser, le capteur estime avec précision la distance aux autres objets de l’environnement. Le LiDAR (James Eddy 2017) (détection de la lumière et télémétrie) est une forme importante de capteur laser qui déclenche des faisceaux laser en continu dans l’environnement. Cela aide à estimer la distance aux obstacles environnants et permet de cartographier l’environnement à haute résolution. Lorsqu’il s’agit de capteur laser, la majorité de ses algorithmes de localisation impliquent la résolution totale ou partielle d’un problème de localisation et de cartographie simultanées (Smith et Cheeseman 2018), (Durrant-Whyte et Bailey 2006), (Dellaert et al. 2018) . L’objectif du SLAM est d’estimer la trajectoire du véhicule (ou de le poser en mode SLAM en ligne) et en même temps de cartographier l’environnement voisin à partir des entrées des capteurs du véhicule. Une représentation graphique du problème SLAM complet et du problème SLAM en ligne est présentée aux figures 2.6a et 2.6b, respectivement. Dans le problème du SLAM complet, l’algorithme est supposé estimer la trajectoire entière du véhicule, formulée par une liste de ses poses sur le pas de temps k: x_k avec des capteurs lisant z_k, une entrée de commande u_k et construisant en même temps la carte m environnement. Cette tâche exigeante devient de plus en plus complexe avec le temps et il est difficile d’être gérée en temps réel. L’idée du SLAM en ligne, censé être fait en temps réel, est ensuite introduite. Le SLAM en ligne estimera uniquement la pose du véhicule actuel, ce qui réduira efficacement la complexité du problème. Vous trouverez un aperçu de la tendance actuelle du SLAM dans (Bresson et al. 2017). Compte tenu de la précision des capteurs laser et du potentiel du SLAM, la combinaison de LiDAR-SLAM devient rapidement l’une des clés pour des véhicules totalement autonomes. Au fil des ans, les techniques d’estimation dans SLAM peuvent être classées en approches basées sur les filtres et en approches basées sur l’optimisation.
L’idée de base des approches basées sur les filtres provient du filtrage bayésien et comprend deux étapes: la prévision et l’observation. Lors de la première étape, une prédiction de la pose et de la carte du véhicule est effectuée à l’aide d’un modèle dynamique des véhicules. Le modèle pour faire correspondre une observation à la carte s’appelle un modèle d’observation. Les deux branches principales de cette approche sont les filtres étendus de Kalman et les filtres à particules SLAM.
Le SLAM basé sur l’optimisation (M. Liu et al. 2012) est également un algorithme en deux étapes itératives. La première étape identifie les contraintes du problème en fonction des données du capteur. Cela se fait en faisant correspondre les nouvelles observations à la carte. La deuxième étape calcule la pose du véhicule et la carte en fonction des contraintes identifiées. Les techniques basées sur la vision pour SLAM sont plus susceptibles d’utiliser cette approche, les techniques basées sur le laser sont également incluses dans la classe d’algorithme Graph-SLAM.
Une autre approche notable pour la localisation de véhicules est la technique basée sur des capteurs visuels. En utilisant un système de vision et des algorithmes de traitement d’image, un véhicule peut se localiser correctement dans un environnement pré-mappé. Cette approche est sensible aux conditions d’éclairage, ce qui en fait un candidat idéal pour la localisation à l’intérieur. La plupart des approches de localisation basées sur des caméras s’inscrivent dans des types de méthodes basées sur l’appariement de cartes. Dans ces approches, une carte détaillée de l’environnement est construite dans une phase hors ligne. Sur la base de l’entrée de caméra de phase en ligne et de la carte hors ligne, l’emplacement du véhicule est calculé. Semblable au laser SLAM, le SLAM visuel est une approche populaire pour la localisation de véhicules intelligents. Le concept SLAM reste le même que dans le SLAM laser, mais dans ce cas, un ensemble de caméras est monté sur le véhicule pour capturer non seulement des images mais également pour mesurer la profondeur de la scène.
Le calcul à mort est un processus d’estimation de la pose actuelle d’un véhicule à l’aide d’une pose préalablement déterminée et du modèle dynamique du véhicule. À l’origine, il s’agissait d’une approche développée pour les applications marines et qui est maintenant utilisée dans divers domaines tels que la navigation aérienne, le suivi des piétons ou la navigation autonome par robot. L’algorithme de calcul à rebours utilise différentes configurations de capteurs. Le calcul à mort avec unités de mesure inertielle (IMU) est largement utilisé dans la navigation de véhicules spatiaux, de navires de mer ou de véhicules terrestres. IMU a généralement des gyroscopes à trois axes et des accélérateurs pour mesurer la vitesse angulaire et la vitesse de déplacement de l’objet attaché.
L’un des inconvénients du GPS est sa disponibilité dans les scénarios urbains. Le plus souvent, les signaux GPS sont perdus ou mal reçus dans un tunnel, un parking ou lorsque le récepteur est entouré de bâtiments, obstruant ainsi la visibilité directe des satellites. Les signaux GPS standard souffrent également de l’effet de trajets multiples qui pourrait entraîner une erreur de localisation supplémentaire de 8 m (Kos, Markezic et Pokrajcic 2010). Néanmoins, le GPS (et les autres GNSS) joue un rôle essentiel dans la localisation, en particulier à l’échelle mondiale, car il s’agit du seul système de positionnement qui affiche directement dans le repère global. Sans ces coordonnées de référence globales, chaque véhicule intelligent fonctionnera selon ses propres coordonnées locales. Aucune communication ni coopération n’est possible.
Au cours des dernières années, la communauté de recherche sur les véhicules intelligents a développé plusieurs systèmes dédiés à la localisation dans les zones interdites de GPS en général et les parkings en particulier. En raison du manque de signaux GPS, la plupart des solutions de localisation dans ce domaine se situent au niveau de la localisation locale. En fonction du choix du système de coordonnées de référence, ces travaux peuvent être classés en deux classes: méthodes de localisation absolue (ou basées sur une carte) et méthodes de localisation relative (autocentrées, sans carte). Les travaux récents des deux classes seront étudiés dans les sections suivantes.
Dans l’approche du positionnement absolu, il est nécessaire qu’une carte de l’environnement soit connue au préalable par le véhicule. Cette carte comprend deux composants principaux: les objets statiques qui contribuent à la structure de la carte (route, murs, portes, etc.) et les objets dynamiques qui constituent des obstacles dans l’environnement (autres véhicules, piétons, etc. .) Selon la solution, la carte peut contenir les deux ou uniquement des objets statiques.
Contrairement à la localisation absolue, la localisation relative ne nécessite pas une carte détaillée de l’environnement. L’approche vise à estimer la position du véhicule par rapport aux objets locaux environnants tels que les autres véhicules, le marquage des voies, etc.
Parmi ces deux approches, la méthode cartographique semble beaucoup plus précise. Un système bien défini peut localiser des véhicules avec une précision allant jusqu’à 0,1 m. Toutefois, pour ceux qui disposent d’une carte détaillée de l’environnement, la résolution et la précision des informations cartographiques ont une influence considérable sur l’erreur de localisation. Malheureusement, plus la résolution est élevée, plus la solution est complexe et moins évolutive. Ainsi, une nouvelle solution pour ce scénario est requise.

READ Cooperative diversity and distributed space-time coding

Overview of Intelligent Vehicles Localization

Localization is a task of determining an object’s pose (e.g. coordinate, heading angle) or the spatial relationship among objects. This is an essential task for an autonomous navigation a vehicle has to achieve (Eskandarian 2012). Only by knowing precisely the location of itself in either a local or a global map, then action such as path planning or obstacles avoidance can be carried out. Often, this task is accomplished through a set of dedicated sensors (on vehicle sensors or environment sensors). The process of combining these sensors inputs to infer the vehicle’s position is called sensor fusion.
There are two levels of localization for intelligent vehicles: global level and local level. The global level localization often results in the vehicle’s pose in the global coordinates frame (e.g. WGS84, NAVD88, ETRS89, etc.) and offers a broad view of vehicle’s location and context. The accuracy of this localization level is not required to be in the order of centimetres. Instead, a raw but stable estimation of the vehicle’s absolute location is sufficient. One example of this level of localization is GNSS-based localization methods. The local level of localization is usually expressed in an arbitrary local reference coordinate frame. This level of localization is responsible for accurately determining the spatial relationship of the vehicle with other objects in the environment. Some notable methods for this level of localization are laser-SLAM, camera-based map matching, dead-reckoning, etc.
In an ideal intelligent vehicle, a localization system should be a fusion of both levels of localization as in Figure 2.1. The global level of localization returns the estimated pose in the global coordinates frame while the local level often output estimation in a local coordinates frame. The two estimations are then fused to deliver the final absolute pose of the vehicle. In practice, most localization systems consist of a GPS-like system combined to another local positioning method such as a SLAM based system. The final localization estimation is often expressed in the global coordinate standard.
In this chapter, a quick review of localization methods for intelligent vehicles is presented. Both local and global levels of localization methods are studied and more specifically, those that are dedicated to the GPS-denied environment.

GPS-based Localization

The GPS-based localization method is a class of localization methods that makes use of satellite signals to determine 3D position information of the receiver in a global reference (such as WGS84). The term GPS refers to Global Positioning System which is governed by the United States of America. There are others Global Navigation Satellite Systems (GNSS) such as GLONASS (Russia), Galileo (Europe), and Beidou (China). To simplify the problem, the thesis will focus on GPS performance as a representative for other GNSSs.
The principle of computing the receiver location is based on knowing the positions of the satellites then deducing the respective “pseudo-ranges” from those satellites to the receiver as in Figure 2.2. Here, the term “pseudo-range” refers to the distance calculated from satellites to the mobile receiver. Since satellites are constantly moving, this distance is not a fixed value. To calculate the 3D position of a receiver, at least four satellites are required. An overview of the GPS system can be found in (Hofmann-Wellenhof, Lichtenegger, and Wasle 2018).
There are two level of GPS services namely Standard Positioning Service (SPS) and Precise Positioning Service (PPS). While SPS is accessible by public users, high precision PPS is only accessible by authorized users (military personnel, government agents). Summary of SPS and PPS performance are shown in Table 1 and Table 2.

Table of contents :

1. INTRODUCTION
1.1 CONTEXT
1.2 SCOPE
1.3 MAIN CONTRIBUTIONS
1.4 THESIS OVERVIEW
2. INTELLIGENT VEHICLES LOCALIZATION
2.1 OVERVIEW OF INTELLIGENT VEHICLES LOCALIZATION
2.2 GPS-BASED LOCALIZATION
2.3 LASER-BASED LOCALIZATION
2.3.1 Filter-based Laser SLAM
2.3.2 Optimization-based Laser SLAM
2.4 VISION-BASED LOCALIZATION
2.5 DEAD-RECKONING
2.6 INTELLIGENT VEHICLES LOCALIZATION IN GPS-DENIED ENVIRONMENTS
2.6.1 Absolute Localization
2.6.2 Relative Localization
2.7 DISCUSSION
3. WIRELESS SENSOR NETWORKS LOCALIZATION
3.1 INTRODUCTION
3.2 LOCALIZATION STRATEGIES OVERVIEW
3.3 RANGE-BASED APPROACH
3.3.1 Time of Arrival
3.3.2 Angle of Arrival
3.3.3 Received Signal Strength Indicator
3.4 RANGE-FREE APPROACH
3.4.1 Distance Vector Hop
3.4.2 Approximate Point-in-Triangulation Test
3.4.3 Fingerprinting Localization
3.4.4 Centroid Localization
3.5 DISCUSSION
4. WI-FI FINGERPRINTING LOCALIZATION
4.1 INTRODUCTION
4.2 RELATED WORKS
4.3 ENSEMBLE APPROACH FOR WI-FI FINGERPRINTING LOCALIZATION OF INTELLIGENT VEHICLES
4.3.1 Hybrid Database Offline Phase
4.3.2 Wi-Fi Ensemble Neural Network
4.4 EXPERIMENTS AND RESULTS
4.4.1 Survey of the Wi-Fi Characteristics in the Experiment Area
4.4.2 Wi-Fi localization Experiments
4.5 DISCUSSION
5. FUSION STRATEGY FOR LOCALIZATION ENHANCEMENT
5.1 INTRODUCTION
5.2 THE PARTICLE FILTER
5.2.1 Initialization Step
5.2.2 Prediction Step
5.2.3 Correction Step
5.2.4 Selection & Resampling Step
5.3 GAUSSIAN MIXTURE MODEL PARTICLE FILTER
5.3.1 Initialization Step
5.3.2 Correction Step
5.4 FUSION OF WI-FI FINGERPRINTING AND IMU
5.4.1 Inputs Synchronization
5.4.2 Particles Propagation
5.4.3 Motion model
5.4.4 Selection & Resampling
5.5 FUSION OF WI-FI FINGERPRINTING, IMU AND LASER-SLAM
5.5.1 Evidential SLAM
5.5.2 PML-SLAM
5.5.3 SLAM in Global Coordinate Frame
5.5.4 SLAM as Odometry Measurements
5.6 EXPERIMENTS AND RESULTS
5.6.1 Wi-Fi Fingerprinting Localization and IMU Fusion
5.6.2 Wi-Fi Fingerprinting Localization, IMU and Laser-SLAM fusion
5.7 DISCUSSION
6. CONCLUSION
6.1 THESIS MOTIVATION
6.2 THESIS CONTRIBUTIONS
6.3 FUTURE WORK
6.4 CONCLUSION
7. REFERENCES
8. APPENDIX 1: RÉSUMÉ
9. APPENDIX 2: ABSTRACT