A sensor fusion algorithm for ground vehicle positioning

Abstract

This thesis presents an algorithm for estimating the horizontal position and heading of a ground vehicle in real-time. The algorithm uses measurements from four different sensors: a GNSS receiver, an inertial measurement unit, wheel odometry, and a Doppler radar. The vehicle for which the algorithm was developed moves slowly and usually in uneven terrain. Estimating the heading of such a vehicle has traditionally been challenging with the given set of sensors; here, a method based on the trajectory of GNSS position measurements is devised. The vehicle's position, on the other hand, is estimated with a more conventional Kalman filtering approach.

Experimental results from a test campaign demonstrate that the algorithm achieves a root-mean-square error of 0.78 degrees for heading. For position, an exact error metric could not be reliably determined due to a possible issue with the reference positioning system. However, it seems plausible that the average position error is well below 1 meter.

Tässä diplomityössä esitellään maa-ajoneuvon reaaliaikaiseen paikantamiseen kehitetty anturifuusioalgoritmi. Algoritmi estimoi ajoneuvon horisontaalista paikkaa ja suuntakulmaa. Mittauksia algoritmi hyödyntää neljästä eri mittalaitteesta: GNSS-vastaanottimesta, inertiamittausyksiköstä, pyöräodometriasta sekä Doppler-tutkasta. Algoritmi kehitettiin ajoneuvolle, joka liikkuu hitaasti ja usein epätasaisessa maastossa. Tällaisen ajoneuvon suuntakulman estimointi on perinteisesti ollut haastavaa käytössä olevilla mittalaitteilla. Tässä työssä kuvataan menetelmä, jossa suuntakulmaa estimoidaan GNSS-paikkamittausten muodostamasta reitistä. Paikan estimointi algoritmissa perustuu yksinkertaiseen Kalmanin suodattimen soveltamiseen.

Kokeellisten tulosten perusteella algoritmilla saavutetaan suuntakulman estimoinnissa keskimäärin 0,78 asteen tarkkuus (keskineliövirheen neliöjuuri). Paikan estimoinnin tarkkuutta ei pystytty täysin luotettavasti määrittämään, sillä testissä verrokkina käytetyssä paikannusjärjestelmässä ilmeni epätarkkuutta. Vaikuttaa kuitenkin siltä, että algoritmilla päästään reilusti alle metrin paikannustarkkuuteen.