Ultra wideband-based localization of mobile robots

Thumbnail Image

Files

master_Levijoki_Nette_2025.pdf (2.82 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-10-03

Department

Major/Subject

Microwave Engineering

Mcode

Degree programme

Master's Programme in Electronics and Nanotechnology
Elektroniikan ja nanoteknologian maisteriohjelma
Magisterprogrammet i elektronik och nanoteknologi

Language

en

Pages

67

Series

Abstract

Autonomous mobile robots require reliable localization to operate in diverse and challenging environments. Ultra Wideband technology offers high-resolution ranging capabilities and is a promising solution for position estimation. However, the practical hardware implementations of these sensors suffer from occasional range estimation errors, which degrade positioning accuracy. This thesis develops and evaluates an Ultra Wideband-based localization system for mobile robots. To enhance localization accuracy, two approaches are explored: a commonly implemented filtering technique, the Extended Kalman Filter (EKF), and a deep learning model, Long Short-Term Memory (LSTM). First, an EKF was implemented using the ROS2 robot_localization package to provide a baseline solution for filtering the position sensor data. Second, a LSTM neural network was developed in PyTorch, using training data from a measurement campaign conducted during this thesis. The model performance was optimized through hyperparameter tuning. Two alternative labeling approaches were chosen to compare their influence on the localization system's accuracy. The trained LSTM models were further integrated into a ROS2 interface to ensure the system's real-time applicability for localizing mobile robots. Experimental evaluation demonstrates that both EKF and LSTM approaches effectively suppress large outlier measurements. However, the EKF did not yield significant improvements in overall localization accuracy. Similarly, both of the LSTM models succeeded in reducing the number of outlier measurements. Of the two evaluated LSTM models, only one consistently improved localization accuracy when tested on the robot used to collect the training data. However, all the models failed to generalize the improved accuracy to a different robot operating platform. The thesis presents an Ultra Wideband-based localization system, operational in the ROS2 framework. The system offers a practical option for a mobile robot position estimation during field testing.

Diplomityössä kehitettiin ultralaajakaistainen paikannusjärjestelmä mobiiliroboteille. Paikannustarkuuden parantamiseksi valittiin kaksi lähestymistapaa: tieteenalalla laajasti käytössä oleva suodatustekniikka EKF (Extended Kalman Filter), sekä syväoppimismalli LSTM (Long Short-Term Memory). Työssä toteutettiin EKF suodatustekniikkaa käyttämällä yleisesti käytettyä ROS2 (Robot Operating System) robot_localization-pakettia. LSTM-neuroverkko kehitettiin PyTorch-ympäristössä. Malli kouluttamiseen käytettiin mittauskampanjasta kerättyä aineistoa. Neuroverkkomallien kouluttamiselle valittiin kaksi vaihtoehtoista lähestymistapaa. Työn aikana vertailtiin näiden lähestymistapojen vaikutusta paikannusjärjestelmän tarkkuuteen. Viimeistellyt neuroverkkomallit integroitiin ROS2-rajapintaan, jotta sen reaaliaikainen käyttö paikannuksessa olisi mahdollista. Tulosten arviointi osoittaa, että sekä EKF- että LSTM-lähestymistavat vähentävät suuria poikkeumia paikannuksessa. EKF suodatus ei kuitenkaan parantanut systeemin paikannustarkkuutta. Myös molemmat LSTM neuroverkkomallit vähensivät suurien paikannuspoikkeumien määrää, mutta vain toinen malleista paransi systeemin paikannustarkkuutta. Paikannustarkkuuden parannus tapahtui ainoastaan, kun paikannettiin robottia, jolla neuroverkkomallin opetusdata oli kerätty. Aiemmin mallille tuntemattomalla robotilla paikannustarkkuus ei parantunut. Autonomisesti toimivat robotit vaativat luotettavaa paikannusta toimiakseen monimuotoisissa ja haastavissa ympäristöissä. Ultralaajakaista -paikannusteknologialla on korkea paikannustarkkuus ja se vaikuttaa lupaavalta vaihtoehdolta robottipaikannukseen. Kuitenkin käytännössä ultralaajakaistamoduuleilla on ajottaisia mittausvirheitä, jotka heikentävät paikannustarkkuutta. Diplomityö esittelee ROS2-ympäristölle sopivan ultralaajakaistaisten paikannusjärjestelmän. Kyseinen järjelstelmä tarjoaa käytännöllisen ratkaisun liikkuvien robottien paikannukseen kenttätestauksissa.

Description

Supervisor

Viikari, Ville

Thesis advisor

Yoshida, Kazuya

Keywords

ultralaajakaista-paikannus, ultra wideband-based localization, UWB, long short-term memory, LSTM, reaaliaikainen paikannus, sisäpaikannus, extended Kalman filter, EKF, DWM1001c

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202512159225

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC