Positionierung in GNSS-gestörten Umgebungen is aktuell ein Thema, zu dem sehr umfangreich geforscht wird. Um diese Problematik zu addressieren, werden Bemühungen zum Großteil in Sensor-Integrationsalgorithmen investiert. Diese Algorithmen umfassen unter anderem die Methode der kleinsten Quadrate und diverse Arten von Kalman Filtern. In dieser Diplomarbeit wurde eine solcher Ansatz in Form eines Standard Extended Kalman Filters realisiert, um smartphone MEMS IMU Messungen mit UWB Distanzmessungen und GNSS Koordinaten zu fusionieren. Außerdem wurde die Implementierung durch zero velocity updates (ZVU), zero angular rate updates (ZARU) und einem auf einem χ2-Test basieren-den Ausreißerfilter erweitert. Dieser Ausreißerfilter wurde mithilfe der Mahalanobisdistanz des Innovationsvektors umgesetzt. Die UWB Distanzmessungen wurden in den Filter in Form einer tightly-coupled Strutkur integriert, hingegen die GNSS Koordinatenmessungen in einer loosely-coupled Form eingeführt. Der Datensatz, der in dieser Arbeit verwendet wurde, setzt sich aus Sensormessungen zusammen, die während der zweiten Session der Cooperative Pedestrian Positioning in Indoor/Outdoor environment (CoPPIO) Messkampagne im stop-and-go Format aufgenommen wurden. Das Ergebnis des entwickelten Multi-Sensor Algorithmuses wurde mit einem weiteren Extended Kalman Filter verglichen, welcher ausschließlich UWB Distanzmessungen, den Ausreißerfilter und die zero updates zur Positionierung ver-wendete. Die Analyse der Algorithmen wurde in Form von Genauigkeitsvergleichen vonacht Auswertungsszenarien durchgeführt. Diese acht Szenarien wurden in zwei Gruppeneingeteilt, wovon jeweils vier Untergruppen den beiden Implementierungen zugewiesenwurde. Jede dieser vier Gruppen unterscheidet sich darin, dass entweder nur der Ausreißerfilter, nur die zero updates, beide der Filtererweiterungen oder keine von beiden für die Berechnung der Trajektorien verwendet wurden. Anhand der globalen RMSE-Werte jedes Szenarios und unter Beachtung der Glätte der Trajektorie und der Genauigkeit der stop-and-go Punkte, erzielte die Trajektorie des Multi-Sensor EKF das beste Ergebnis, wenn sowohl der Ausreißerfilter als auch die zero updates in der Auswertung inkludiert wurden. Speziell die Genauigkeit der einzelnen stop-and-go Punkte von Szenario 1 verbesserte sich um 23.16% im Vergleich mit Szenario 5, dessen Trajektorienberechnung anhand des EKF mit auschließlich UWB Distanzmessungen durchgeführt wurde. Die Punktgenauigkeiten des ersten Szenarios lieferte allgemein Werte < 50 cm, während die Abweichungen der stop-and-go Punkte von den Referenzkoordinaten über 50 cm aber noch unter 1 m lagen, wenn sowohl Ausreißerfilter als auch zero updates inkludiert wurden.
de
Positioning in GNSS-denied environments is currently a extensively researched topic. To address this problematic efforts were focused on sensor integration algorithms such as Least squares (LS) and various types of Kalman Filter (KF) algorithms. In this thesis one such sensor fusion algorithm was implemented by combining smartphone MEMS IMU, UWB ranging and GNSS coordinates using a full-state Extended Kalman Filter approach with zero velocity updates (ZVU), zero angular rate updates (ZARU) and outlier filtering based on a χ2-test using the Mahalanobis distance of the measurement innovation. The UWB range mea-surements were integrated using a tightly-coupled approach while GNSS was included in a loosely couple manner as pure coordinate measurements. The dataset used in this thesis comprised the measurements taken during session 2 of the Cooperative Pedestrian Positioning in Indoor/Outdoor environment (CoPPIO) measurement campaign [1], where data collection was conducted in a stop-and-go format. The performance of the multi-sensor algorithm was compared to an UWB-only EKF approach, which also used zero updates and outlier filtering. The analysis was done in eight scenarios, which were split into four groups for each algorithm. For each group either the outlier filter, the zero updates, both extensions or none were utilized on the same dataset. Based on the overall RMSE of each scenario and considering smoothness of trajectory and stop point accuracy, when both outlier filter and zero updates were enabled, the multi-sensor algorithm was superior to the UWB-only trajectory estimation. Regarding the accuracy of stop points, scenario 1 showed improvement of overall RMSE of 23.16% with stop point errors rarely exceeding 50 cm compared to scenario 5, which provided the most accurate results with errors < 1 m using the UWB-only approachwith both outlier filter and zero updates.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
