Cooperative Methods and Algorithms for Infrastructure-free Positioning

Abstract

Viime vuosina uhat paikannusinfrastruktuuria, kuten satelliittipaikannusjärjestelmiä, kohtaan ovat lisääntyneet. Näin ollen paikannussignaalit eivät ole välttämättä aina käytettävissä. Tästä huolimatta taktisissa ja pelastusoperaatiossa on välttämätöntä paikantaa operaatioon osallistuvat henkilöt. Tilanteissa, joissa paikannusjärjestelmiä ei ole käytettävissä tai niiden käyttö on tahallisesti estetty, voidaan käyttää kannettavia sensoreita paikannukseen. Sensoreihin perustuvassa paikannuksessa on kuitenkin tyypillisesti ajan mittaan kertyviä virheitä. Verkottuneita paikannusmenetelmiä voidaan hyödyntää näissä tilanteissa paikannustuloksen parantamiseksi.

Tämä väitöskirja käsittelee verkottuneiden menetelmien hyödyntämistä infrastruktuurittomassa paikannuksessa. Se esittelee hajautettuja tila-avaruusmalleja, jotka skaalautuvat paikannettavan ryhmän koon mukana. Tässä työssä näytetään myös miten jalankulkijan liiketilaa voidaan hyödyntää paikannustuloksen parantamiseen. Väitöskirjassa myös näytetään, kuinka Ultra Wideband (UWB) -etäisyysmittaussignaalin aaltomuotoa voidaan käyttää paikannusympäristön tunnistamiseen, sekä etäisyysmittausvirheen kompensointiin ympäristöstä riippumatta.

Jo kahden hengen ryhmä hyötyy verkottuneista menetelmistä, sillä sulkuvirhe voi pienentyä jopa 90%vaakatasossa ja jopa 60%pystysuunnassa verrattuna pelkkään jalankulkijan inertiapaikannukseen. Jalankulkija, jolla ei ole käytössään paikannusinfrastruktuuria, voidaan paikantaa globaalisti jopa kymmenien metrien tarkkuudella yhdistämällä verkottuneita menetelmiä ja satelliittipaikannusta. Jalankulkijan liiketila voidaan tunnistaa eri koneoppimismalleilla 80-90%tarkkuudella. UWB-aaltomuodot ja konvoluutioneuroverkot mahdollistavat sisä- ja ulkotilojen erottamisen yli 95 % tarkkuudella. Esimerkkipohjaista siirto-oppimista käyttämällä voidaan korjata UWB-etäisyysmittausvirheitä ilman ylimääräisiä mittauksia uudessa ympäristössä. Paikannustarkkuutta voidaan parantaa 11 % vaakatasossa verrattuna verkkottuneeseen paikannukseen ilman korjauksia. Tuloksista nähdään myös, että huolimaton etäisyysmittausvirheiden kompensointi voi jopa heikentää paikannustulosta.

Tässä väitöskirjassa esitetyt menetelmät mahdollistavat tehokkaan tila avaruusmallinnuksen kaiken kokoisille ryhmille, näiden mallien sovittamisen erilaisiin jalankulkijan liiketiloihin ja ympäristöihin, ja ratkaisevat ympäristöriippuvuuden koneoppimispohjaisessa UWB-etäisyysmittausvirheiden korjauksessa.

Threats towards Global Navigation Satellite Systems (GNSS) and other positioning infrastructure have been increasing in recent years. Thus, availability of such positioning signals is not always guaranteed. Nevertheless, in tactical and rescue operations it is necessary to track the participating personnel. Infrastructure-free positioning based on different sensors may be used when localization infrastructure does not exist or its use is deliberately prevented. However, sensor based positioning suffers from error accumulation, calling for ways to improve the performance. Cooperative positioning, where members of a team share their location and measure distances to each other, may be used to enhance localization accuracy in such challenging situations.

This thesis investigates cooperative approaches applicable for infrastructure-free positioning. It outlines distributed state space modeling options that scale to different sizes of the navigating team. It also demonstrates detection and use of the motion context of a pedestrian for improved positioning accuracy. Additionally, it shows how to use the waveform of the Ultra Wideband (UWB) ranging signal to detect the environment of the navigating team, and to compensate for the bias in the UWB range measurements ubiquitously in different environments.

Already a team of only two pedestrians benefits from collaboration, as loop closure error may be reduced up to 90 % horizontally and up to 60 % vertically, compared to standalone footmounted Pedestrian Dead Reckoning (PDR). Using hybrid cooperative localization, a team member without access to any infrastructure may be tracked with global positioning error of only tens of meters. Pedestrian motion context may be detected with 80-90%accuracy using machine learning. UWB waveforms and Convolutional Neural Networks (CNNs) enable distinguishing between indoors and outdoors with over 95 % accuracy. Instance-based transfer learning allows correcting the UWB ranging error without labeled samples from the new environment. Positioning accuracy is improved by 11 % on horizontal plane, compared to cooperative positioning without error correction. Moreover, it is shown that insufficient ranging error compensation may even degrade navigation performance.

The methods proposed in this thesis enable efficient state-space modeling for navigating teams of any size, adaptation of the models to varying pedestrian motion and environment, and solve the environment dependency in machine learning based UWB ranging error compensation.