Positionsbestimmung durch Kombination geometrie- und merkmalsbasierter Verfahren unter Einbeziehung der Qualität

Abstract

Die Positionsbestimmung von mobilen Objekten basiert meist auf Methoden der analytischen Geometrie. Dabei werden die rohen Beobachtungen mittels Korrekturmodellen auf den Geometrieanteil, beispielsweise die euklidische Distanz zwischen GPS-Satellit und Empfänger, reduziert. Typischerweise ist bei diesen geometriebasierten Verfahren eine direkte Sichtverbindung zwischen dem mobilen Objekt und koordinativ bekannten Referenzpunkten erforderlich. Daher ist die Einsetzbarkeit dieser Verfahren in der Nähe oder innerhalb von Gebäuden, wo häufig Sichtbehinderungen auftreten, stark eingeschränkt. Alternativ zu den etablierten geometriebasierten Verfahren können merkmalsbasierte Verfahren zur Positionsbestimmung eingesetzt werden. Diese beruhen auf einem Vergleich von ortsabhängigen Merkmalen mit verorteten Referenzwerten (Referenzmodell), dabei ist keine Sichtverbindung zu bekannten Punkten notwendig. Jedoch nimmt die Qualität der merkmalsbasierten Positionslösung stark ab, wenn die Referenzmodelle nicht aktuell sind. Weiters ist die Erstellung der Referenzmodelle aufwendig. Daher ist bei vielen Anwendungen eine Kombination der Verfahren sinnvoll. Diese Kombination wird hier als hybride Positionsbestimmung bezeichnet. In dieser Dissertation wird ein Ansatz zur hybriden Positionsbestimmung vorgestellt, bei dem die Kombination direkt auf Ebene der Geometrie- und Merkmalsbeobachtungen erfolgt. In Analogie zur Kombination von Satellitenbeobachtungen und Messdaten eines Inertialmesssystems in der Navigation wird dieser Ansatz hier als enge Kopplung bezeichnet. Es wird ein Bayes-Ansatz, umgesetzt mittels Partikelfilter, vorgeschlagen, um diese enge Kopplung der unterschiedlichen Beobachtungstypen zu erreichen. Ein besonderes Augenmerk liegt auf der Qualitätsbeurteilung der Schätzergebnisse. Da bei der hybriden Positionsbestimmung die Verteilung der geschätzten Parameter zum Teil stark von einer Normalverteilung abweicht, wird ein Ansatz vorgeschlagen, der bei einer beliebigen Verteilung der Parameter eine adäquate Qualitätsbeurteilung ermöglicht. Dazu wird die vollständige Verteilung der Messungen, Referenz- und Systemmodelle im Partikelfilter fortgepflanzt und mittels Kerndichteschätzer aus den A-posteriori-Partikeln die parameterfreie A-posteriori-Dichte ermittelt. Aus der geschätzten Dichte werden anschließend Konfidenzregionen berechnet. Zur Veranschaulichung der entwickelten Methoden werden drei Anwendungsbeispiele gezeigt. Bei dem ersten Anwendungsbeispiel, einer Indoorpositionierung mittels künstlicher Magnetfelder, wird der geometriebasierte Ansatz dem merkmalsbasierten Ansatz gegenübergestellt. Dabei konnte mit dem merkmalsbasierten Ansatz die mittlere Abweichung der geschätzten Positionen zu den Referenzpositionen um mehr als die Hälfte auf 2 cm reduziert werden. Voraussetzung dafür ist, dass die Referenzmodelle aktuell sind. Das zweite Beispiel zeigt die Anwendbarkeit der vorgestellten Algorithmen für die WLAN/GNSS basierte Positionierung von Fahrzeugen am Vorfeld eines Flughafens. In der Nähe von Gebäuden sind bei dieser Anwendung Genauigkeiten im Bereich von einem Meter möglich, wenn ausreichend viele WLAN-Accesspoints vorhanden sind. Das dritte Anwendungsbeispiel, die kinematische Positionsbestimmung eines Roboters mittels RFID- und GNSS-Beobachtungen, zeigt die Vorteile des in der Arbeit vorgestellten hybriden Ansatzes. Im Übergangsbereich zwischen Innenraum und Außenumgebung beträgt die Abweichung der geschätzten Positionen zu den Referenzpositionen bei Anwendung einer reinen RFID-Auswertung im Mittel rund 5 cm und bei einer reinen GNSS-Auswertung 25 cm. Mit der hybriden kinematischen Positionsbestimmung beträgt sie im Mittel nur noch 2 cm.

Positioning of mobile objects is typically based on methods of analytic geometry. Using correction models the raw measurements are reduced to their geometric content, for example, the Euclidean distance between GPS satellite and receiver. Typically these geometry-based methods require a direct line-of-sight between the mobile object and known reference points. Therefore the applicability of these methods is strongly limited near or inside buildings, where often line-of-sight obstructions occur. As an alternative to the established geometry-based methods, feature-based methods can be used for positioning. These methods rely on a comparison of location-dependent features and given reference values associated with specific positions (reference model). The feature-based methods do not require a line-of-sight to known points. However, the performance of the feature-based methods degrades, if the reference model is not up to date and the creation of reference models is costly. Therefore a combination of methods is useful for many applications. This combination is denoted as hybrid positioning. In this thesis an approach for hybrid position determination is presented in which the combination directly takes place at the level of geometry and feature observations. In analogy to the term established for combination of raw satellite observations and measurement data of an inertial measurement system in navigation, this approach is herein referred to as tight coupling. A Bayesian approach, implemented within a particle filter, is proposed in order to achieve this tight coupling of different observation types. Particular emphasis is paid to quality assessment of the estimated position. The distribution of the state estimates in hybrid positioning can be significantly non-Gaussian. For this reason an approach is proposed, which allows an appropriate quality assessment with any distribution of the parameters, whereby the complete distribution of the measurements, reference and system models, is propagated in the particle filter. From the a-posteriori particles the a-posterior density is determined using the non-parametric method of kernel density estimation. Subsequently, confidence regions are calculated from the estimated density. The developed methods are demonstrated using three application examples. In the first example indoor positioning with artificial magnetic fields is used to compare the geometry-based to the feature-based approach. Using the feature-based approach, the average deviation of the estimated positions from the reference positions could be reduced by more than 50 % down to 2 cm with up to date reference models. The second example shows the applicability of the proposed algorithms for WLAN/GNSS based positioning of vehicles on the apron of an airport. In this application accuracies in the range of one meter are obtained near buildings, if a sufficient number of wireless access points is available. The third application example, the kinematic positioning of a robot using RFID and GNSS observations, shows the advantages of the presented hybrid approach. The mean deviation of the estimated positions from the reference positions at the intermediate area between indoor and outdoor is approximately 5 cm with the RFID-only analysis and 25 cm with GNSS only. However, using the hybrid approach the mean deviations are only 2 cm.