Kalman filter based integration of multiple sensor data for the estimation of vehicle trajectories

Abstract

Seit geraumer Zeit werden große Anstrengungen zur Entwicklung ausgereifter Algorithmen zur Kombination der satellitengestützten Navigationsverfahren mit zusätzlichen Sensoren unternommen, um eine möglichst präzise und robuste Bestimmung der Fahrzeugtrajektorie zu gewährleisten. Die ungestützte GNSS Einzelpunktbestimmung mittels Codestrecken erlaubt heute global eine Fahrzeugpositionierung im +/-3-5m Bereich. Die meisten geodätischen Anwendungen erfordern allerdings eine höhere Genauigkeit für die statische Positionierung. Aber auch die kontinuierliche Verfolgung von bewegten Fahrzeugen zur Festlegung von Position, Geschwindigkeit und Orientierung stellt Anforderungen, die mit der GNSS Einzelpunktbestimmung nicht zur erfüllen sind. Zum Beispiel basiert die Positionierung von Zügen üblicherweise auf Odometermessungen, welche über die Radumdrehungen und den Radumfang die durchfahrene Strecke festlegen können. Die Messungen des Odometers werden zusätzlich an fixen Positionen mit Hilfe von Balisen initialisiert. Eine Balise ist ein elektronischer Transponder der zwischen den Schienen des Eisenbahngleises als Teil eines automatischen Zugbeeinflussungssystems (ATP) montiert ist. Diese Sensoren sind ein integraler Bestandteil des European Train Control Systems. Balise und Odometer bestimmen den durchfahrenen Streckenabschnitt und die Position des Zuges im Streckenabschnitt. Die Balisen sind jedoch teure Sensoren, die über etwa 250.000 km Eisenbahngleise in Europa platziert werden müssen.Daher gibt es derzeit viele Entwicklungen zur raumgestützten Positionierung von Zügen durch EGNOS bzw. durch die Fusion der Messungen von am Triebfahrzeug angebrachten Navigationssensoren wie etwa GNSS/IMU/Odometer. Die Sensorfusion ist nicht nur kosteneffizient und präzise, sie ist auch besonders gut für die Anwendung bei Nebenstrecken der Eisenbahn geeignet. Auf den Bahnhauptstrecken wird aufgrund der höheren Geschwindigkeiten wohl auch in Zukunft die Positionierung auf Basis von Balisen erfolgen. GNSS Verfahren im differentiellen Modus liefern Information über die genaue Position und Geschwindigkeit, während die IMU die Position, Geschwindigkeit und direkte räumliche Orientierung des Fahrzeugs bestimmt. Bei kurzzeitiger Unterbrechung der GNSS-Signalverfolgung (z.B. in Tunneln oder in signal-abgeschatteten Gebieten) kann dieser Ausfall durch die Prozessierung der Messungen des IMU Sensors in Kombination mit dem Odometer überbrückt werden. In den letzten Jahren wurde vom Autor dieser Dissertationsschrift ein lose- gekoppelter Kalman-Filter-Algorithmus entwickelt, der die oben genannten Anforderungen erfüllt. Gleichzeitig wurde auch Software zur eng-gekoppelten Kalmanfilterung entwickelt. Diese Software ermöglicht die Fusion von GNSS- und IMU-Daten und gewährleistet eine zuverlässige Positionierung von sich schnell und langsam bewegenden Fahrzeugen, wie Autos oder Zügen.Der erste in dieser Doktorarbeit angeführte praktische Anwendungsfall befasst sich mit der Navigation entlang einer Eisenbahnstrecke in der Nähe von Wien. Die am Zug gewonnenen GNSS Beobachtungen wurden mit Beobachtungen des Referenzstationsnetzwerks TEPOS (T-Kom Services real-time positioning ) korrigiert und im Anschluss mit IMU Beobachtungen und Odometermessungen verarbeitet. Die Ergebnisse der Berechnung wurden mit einer Referenzlösung einer bekannten kommerziellen Software verglichen. Das Beispiel zeigt, dass mit dem lose gekoppelten Kalman Filter eine Positionierungsgenauigkeit von wenigen Zentimetern erreicht werden kann. Ist das GNSS Signal blockiert, so verringert sich die Positionierungsgenauigkeit für die verbleibende IMU/Odometer Sensorkombination in den Sub-Meter Bereich.Im zweiten Anwendungsfall wurden eine iMAR IMU und ein JAVAD GNSS-Empfänger verwendet, welche an einem privaten Auto befestigt waren. Die Sensordaten wurden im eng-gekoppelten Filter verarbeitet. Die Qualität der Lösung wurde wieder anhand von Trajektorien bewertet, die mit der kommerziellen Software Inertial Explorer von NovAtel berechnet wurden. Alle Sensordaten und Referenz-Trajektorien dieses zweiten Anwendungsfalls wurden dankenswerterweise von der Forschungsgruppe Navigation der TU Graz bereitgestellt.

Recently tremendous efforts aim at the development of satellite-based navigation techniques in combination with further sensors to ensure precise vehicle trajectory determination. The satellite-based navigation with basic GNSS stand-alone processing provides users for a vehicle positioning at several meters accuracy, almost all the time, anywhere on or near the earth’s surface. In most geodetic applications a very precise and continuous knowledge of the navigation solution (e.g. position, velocity, attitude, etc.) of the moving body is required, which can not be guaranteed by GNSS stand-alone. For example, tracking the train’s position is usually realized via an odometer from the on-board system, which measures wheel rotations. The odometer measurements are repeatedly corrected and initialized at fixed locations known as balises. A balise is an electronic beacon or transponder placed between the rails of a railway as part of an automatic train protection (ATP) system. These sensors constitute an integral part of the European Train Control System, where they serve as “beacons” giving the exact location of a train. This method is very popular to provide an accurate along track position of a moving train. However, balises are expensive sensors, which need to be placed over about 250 000 km of train tracks in Europe. Therefore, recently many activities are around to monitor trains by EGNOS or an ensemble of on-board sensor devices like GNSS/IMU/odometer. Especially the latter might be a cost-effective but also accurate approach, especially suited for rail secondary lines. A passenger vehicle or a rail-mounted vehicle can simply be equipped with a GNSS unit, an IMU device and other navigation sensors where differential GNSS can provide the accurate position and velocity, while IMU delivers position increments, velocity and direct spatial orientation of the vehicle. When GNSS signal tracking fails for a short period in time this outage can be almost compensated by processing the observation of the strapdown mounted IMU platform in combination with odometer data. Over the past years, a loosely coupled Kalman filter algorithm based on the fusion of GNSS, IMU and odometer data was developed by the doctoral candidate. This algorithm enables a reliable train positioning. Also an algorithm based on IMU/odometer integration is implemented, and can be applied in case of GNSS signal outages (e.g. tunnels and urban areas). In parallel, also a software package employing a tightly coupled Kalman filter algorithm has been developed. The software allows for the fusion of GNSS and IMU data, which enables a reliable vehicle positioning performance. This approach has been utilized to estimate the trajectories of slow and fast-moving vehicles like cars or trains. The first test case of this doctoral thesis concerns navigation along a railway track close to Vienna. The GNSS data is corrected by observations of the national reference station network TEPOS. GNSS data gathered in combination with IMU observations and odometer data has been processed and the output has been compared to a commercial reference solution. This example shows the capability of the loosely coupled Kalman filter solution to provide centimeter-level accuracy in positioning. However, when the GNSS signal is blocked, the positioning accuracy decreases, and the IMU/odometer combination just provides metre-level accuracy in positioning over time. In the second test case, an iMAR IMU device and a JAVAD GNSS receiver fixed on a private car provide the data input for the tightly coupled filter algorithm. The quality of the solution was assessed against trajectories calculated with the commercial Inertial Explorer software from NovAtel. All sensor data and reference trajectories of this second test case were generated and provided thankfully by colleagues from the research group Navigation at TU Graz.