Συντάχθηκε 16-07-2020 13:53
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 20/07/2020 11:00
Λήξη: 20/07/2020 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Γεώργιος Αποστολάκης
θέμα
Πλοήγηση Μη Επανδρωμένου Οχήματος σε Περιβάλλοντα χωρίς Κάλυψη Συστήματος Γεωγραφικού Προσδιορισμού Θέσης (GPS)
Unmanned Vehicle Navigation in GPS-denied Environments
Εξεταστική Επιτροπή
Καθηγητής Άγγελος Μπλέτσας (επιβλέπων)
Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Αντώνιος Δεληγιαννάκης
Περίληψη
Αυτή η εργασία συνοψίζει τους πιο σημαντικούς αλγορίθμους για εντοπισμό θέσης και ταυτόχρονο εντοπισμό θέσης και χαρτογράφηση (SLAM) για πλοήγηση σε εσωτερικά περιβάλλοντα. Επίσης μελετά μία τεχνική βασισμένη σε RFIDs για βελτίωση της ακρίβειας κατά τον εντοπισμό θέσης. Οι στερεοσκοπικές κάμερες και οι αισθητήρες LiDAR χρησιμοποιούνται ευρέως για να διευκολύνουν την κίνηση ενός ρομπότ σε γνωστό ή άγνωστο περιβάλλον, καθώς δεν επηρεάζονται εύκολα από τον θόρυβο. Από την άλλη, οι αισθητήρες που χρησιμοποιούν ταυτοποίηση με βάση ραδιοσυχνότητες (RFID tags) είναι πολύ φτηνοί και δεν απαιτούν εξωτερική πηγή τροφοδοσίας, ενώ επηρεάζονται πολύ από το περιβάλλον στο οποίο λειτουργούν. Τα παραπάνω χαρακτηριστικά τους έχουν καταστήσει πολύ δημοφιλείς ενώ μεγάλο ερευνητικό ενδιαφέρον έχει εμφανιστεί προκειμένου να βρεθούν ακριβή μοντέλα που να τους περιγράφουν. Αυτή η εργασία δοκιμάζει μια προσέγγιση η οποία συνδυάζει δύο μετρήσεις από κάθε tag, την ισχύ του ληφθέντος σήματος (RSSI) και την φάση του προκειμένου να βελτιωθεί η ακρίβεια των αλγορίθμων εντοπισμού/SLAM, σε σχέση με υπάρχουσες υλοποιήσεις. Αυτός ο συνδυασμός πραγματοποιείται με τη χρήση ενός φίλτρου σωματιδίων (particle filter) και ένα RFID tag αναφοράς, το οποίο είναι απαραίτητο για τον υπολογισμό των παραμέτρων του μοντέλου. Προκειμένου η εκτίμηση των παραμέτρων να είναι επιτυχημένη, είναι αναγκαίο οι μετρήσεις μεταξύ των δύο tags να είναι συσχετισμένες, δηλαδή η απόσταση μεταξύ τους να είναι μικρότερη από το ήμισυ του μήκους κύματος. Η απόδοση του συνδυασμού RSSI-φάσης αξιολογήθηκε με τη σύγκριση του σφάλματος εκτίμησης του φίλτρου με το αντίστοιχο από αλγορίθμους που χρησιμοποιούν μόνο RSSI ή μόνο φάση. Το σφάλμα εντοπισμού σε συνθήκες ελαφρού θορύβου (multipath) βρέθηκε να είναι λιγότερο από 20 cm, μέσα σε τρισδιάστατη περιοχή όγκου 12 m3. Όμως, το σφάλμα του αλγορίθμου που χρησιμοποιεί μόνο τη φάση παραμένει σημαντικά υψηλότερο (περισσότερο από 40 cm) για κάποιο χρονικό διάστημα μετά το ξεκίνημά του. Το σφάλμα εντοπισμού σε συνθήκες ισχυρού multipath βρέθηκε να είναι της τάξης των 20 cm όταν χρησιμοποιήθηκε μόνο η φάση, 60 cm με τη χρήση μόνο RSSI και 40 cm με χρήση και των δύο, σε περιοχή με τον ίδιο όγκο όπως προηγουμένως. Και σε αυτή την περίπτωση παρατηρήθηκε πολύ υψηλό σφάλμα στον αλγόριθμο με τη φάση (περισσότερο από 1.5 m) πριν αυτός συγκλίνει. Συμπερασματικά, η προτεινόμενη προσέγγιση προσφέρει μειωμένο σφάλμα εντοπισμού από την αρχή και μπορεί να υλοποιηθεί σε περιβάλλοντα τόσο με ελαφρύ, όσο και με ισχυρό multipath.
Abstract
This work summarizes the most important localization and simultaneous localization and mapping (SLAM) algorithms for indoor navigation and studies a RFID-based technique for improved localization accuracy. Stereo cameras and LiDARs are widely used to assist a robot's movement inside a known or unknown environment, as they are not easily affected by the environmental noise. On the other hand, radio frequency identification (RFID) tags are very cheap and do not need any external power source, despite being affected a lot by the propagation environment. These characteristics have rendered them very popular and great research interest has risen in order to create accurate models. This thesis tests an approach which combines two measurements from each RFID tag, the received signal strength indication (RSSI) and the phase, in order to improve the localization/SLAM accuracy, compared to prior art. This integration is implemented by a particle filter, with an anchor tag being essential to compute the model parameters. For good estimation of the parameters, it is essential that the tags’ measurements are correlated, i.e. tags’ inter-distance should be less than half of the wavelength. Performance of the RSSI-phase integration was evaluated by comparing the estimation error to corresponding algorithms, which only use the RSSI or the phase. Localization error under light multipath was found in the order of less than 20 cm for all three algorithms, inside a 3D area of 12 m3 volume. However, the error of the algorithm which only used the phase, remained significantly higher (more than 40 cm) for some time after its beginning. Localization error under strong multipath was found in the order of 20 cm when only phase was used, 60 cm when only RSSI was used and 40 cm with their combination, inside a 3D area of the same volume with above. Again, the phase algorithm induced a great error (more than 1.5 m) before it converged. Therefore, the proposed approach offers a reduced localization error from the initial time steps and can be implemented in environments with both light and rich multipath.
Meeting ID: 969 8742 6399
Password: 484186
