Wireless sensor networks for indoor mapping and accurate localization for low speed navigation in smart cities
Réseaux de capteurs sans-fil pour la cartographie à l'intérieur et la localisation précise servant la navigation à basse vitesse dans les villes intelligentes
Résumé
With the increasing demand for urban space, more and more multistory carparks are needed. Although these carparks help to utilize urban space more efficient, they also introduce a new problem. Reports suggest approximately 70 million hours of parking slot searching each year, equivalently 700 million euros loss for France alone. In addition, carparks uses are exceeding their original purposes. Demanding features such as electric charger, online booking of parking spaces, dynamic guidance or mobile payment etc. turn a carpark into a competitive smart environment. One solution to this problem is to develop an autonomous navigation system for intelligent vehicles in the carpark situation. The thesis will identify one of these sub-tasks namely localization in GPS-denied environments. This thesis will present a novel method to solve the indicated problem while keeping the system follows four criteria: availability, scalability, universality and accuracy. There are two main steps: (1) a solution to replicate the GPS behaviour for the GPS-denied environment, and (2) a framework that allows the fusion of GPS-like systems with other localization methods to achieve a high localization accuracy. First, a Wi-Fi Fingerprinting localization system is employed. An approach using an ensemble neural network on a hybrid Wi-Fi fingerprinting database is proposed in this thesis. Experiments in a year-long duration show that this system is capable of localizing vehicles with 2.25m of mean error in the global coordinate frame (WGS84). Second, a complete localization solution must be a fusion of multiple techniques. This allows global as well as local levels of localization to function together. At the same time, having redundancy in the system boosts accuracy and reliability. In this thesis, a flexible fusion framework for multiple localization sensors is proposed. This fusion framework will not only deal with the GPS-denied environment but could be potentially used in the GPS-aided environment and provide a smooth transition between the two areas. To accomplish this demanding task, a Gaussian Mixture Model Particle Filter is developed. While the motion model of this particle filter incorporates data from the IMU (Inertial Measurement Unit) or laser-SLAM, the correction model is a Gaussian mixture model of multiple observations obtained from the Wi-Fi fingerprinting localization system. With two intelligent vehicles (a Cybercar and a Citroen C1 car), 64 experiments were carried out to validate the framework. A mean localization error of 0.5m is achieved in a global coordinate frame. Compare to other solutions with 0.2m of mean localization error in local coordinate frames; this proposed solution has advantages in terms of scalability, availability and universality as well.
Avec la demande croissante d'espace urbain, de plus en plus de parkings à plusieurs étages sont nécessaires. Bien que ces parkings contribuent à une utilisation plus efficace de l'espace urbain, ils introduisent également un nouveau problème. Les rapports suggèrent environ 70 millions d'heures de recherche d'emplacements de stationnement chaque année, soit une perte équivalente de 700 millions d'euros pour la seule France. En outre, les utilisations des parkings vont au-delà de leurs objectifs initiaux. Des fonctionnalités exigeantes telles que le chargeur électrique, la réservation en ligne de places de stationnement, le guidage dynamique ou le paiement mobile, etc. transforment un parking en un environnement intelligent et compétitif. Une solution à ce problème consiste à développer un système de navigation autonome pour les véhicules intelligents en situation de parking. La thèse identifiera une de ces sous-tâches, à savoir la localisation dans des environnements non autorisés par GPS. Cette thèse présentera une nouvelle méthode pour résoudre le problème indiqué tout en maintenant le système en respectant quatre critères: disponibilité, évolutivité, universalité et précision. Il y a deux étapes principales: (1) une solution permettant de reproduire le comportement du GPS pour un environnement refusé par GPS, et (2) un cadre permettant la fusion de systèmes de type GPS avec d'autres méthodes de localisation pour obtenir une précision de localisation élevée. Tout d'abord, un système de localisation Wi-Fi Fingerprinting est utilisé. Une approche utilisant un réseau de neurones d'ensemble sur une base de données d'empreintes hybrides Wi-Fi est proposée dans cette thèse. Des expériences menées sur une durée d'un an montrent que ce système est capable de localiser des véhicules présentant une erreur moyenne de 2,25 m dans le repère global (WGS84). Deuxièmement, une solution de localisation complète doit être une fusion de plusieurs techniques. Cela permet aux niveaux de localisation global et local de fonctionner ensemble. Parallèlement, la redondance dans le système améliore la précision et la fiabilité. Dans cette thèse, un cadre de fusion flexible pour plusieurs capteurs de localisation est proposé. Ce cadre de fusion traitera non seulement de l'environnement refusé par le GPS, mais pourrait également être utilisé dans l'environnement assisté par GPS et assurer une transition en douceur entre les deux zones. Pour accomplir cette tâche exigeante, un filtre à particules modèle de mélange gaussien est développé. Alors que le modèle de mouvement de ce filtre à particules intègre des données provenant de l'IMU (unité de mesure inertielle) ou du laser-SLAM, le modèle de correction est un modèle de mélange gaussien de plusieurs observations obtenues à partir du système de localisation d'empreintes digitales Wi-Fi. Avec deux véhicules intelligents (une Cybercar et une Citroen C1), 64 expériences ont été réalisées pour valider le cadre. Une erreur de localisation moyenne de 0,5 m est obtenue dans un cadre de coordonnées global. Comparez avec d'autres solutions avec une erreur de localisation moyenne de 0,2 m dans les cadres de coordonnées locales; Cette solution proposée présente également des avantages en termes d'évolutivité, de disponibilité et d'universalité.
Origine : Version validée par le jury (STAR)
Loading...