Loading…
Multi-modal sensor fusion for vehicle ego-motion estimation and parameter identification
Rodrigo Marco, Vicent
The advent of highly automated driving systems represents a mobility revolution with great potential for declining traffic accidents and casualties. In order to enable this technology, precise information about the vehicle's own motion, also known as ego-motion, is key. Unfortunately, directly obtaining the required motion information from measurement devices is difficult, whether due to prohibitive costs or impracticality. Thus, the need to develop estimation techniques based on cost-effective sensors arises.
This dissertation aims at deriving a vehicle ego-motion estimation scheme for car urban automated driving applications and experimentally demonstrating its effectiveness. Specifically, the goal is to generate, in real time, accurate and highly available estimates of the vehicle velocity and attitude angles using series chassis sensors and an automotive-grade inertial measurement unit (IMU). To this end, a modular set of novel methods is proposed which addresses four sub-problems of this vehicle ego-motion estimation problem, namely, the simultaneous estimation of state and parameters for non-persistently excited systems, the vehicle ego-motion estimation based on series chassis sensors and an IMU, the online IMU intrinsic calibration and the IMU extrinsic calibration.
The present work treats the online IMU intrinsic calibration as well as the IMU extrinsic calibration as simultaneous state (vehicle motion) and parameter (IMU errors) estimation problems. Inconveniently, the excitation is not sufficient to reconstruct both states and parameters in all driving situations, which makes most available methods in the literature unsuitable. Hence, a novel regularized adaptive Kalman filter is proposed, which addresses the joint state and parameter estimation problem for non-persistently excited systems. Additionally, a thorough stability analysis is presented which proves the exponential convergence of the state and parameter estimation errors during periods of persistent excitation, as well as their stability in case of insufficient excitation.
Regarding the second sub-problem, this dissertation proposes a novel Kalman filter-based estimation scheme which, solely relying on series chassis sensors and a 6-D IMU, supplies both velocity and attitude estimates. Even though this approach may be directly applied to cars equipped with a high-grade IMU, experimental results show that typical time-varying biases corrupting the measurements of automotive-grade IMUs lead to a serious degradation of the motion estimates. Hence, an online intrinsic calibration is necessary (third sub-problem). The estimation scheme is therefore extended to simultaneously estimate the vehicle velocity, attitude angles and IMU biases. Due to the lack of persistent excitation, the backbone of the approach is the novel regularized adaptive Kalman filter. The effectiveness of the estimation scheme is demonstrated with experimental results from both regular urban drives and collision avoidance maneuvers.
Finally, IMU misalignment errors arising from tolerances in the vehicle assembly process may also lead to a significant deterioration of the motion estimates. Hence, performing an extrinsic calibration is crucial (fourth sub-problem). This thesis proposes a novel estimation approach for the identification of the misalignment angles between the IMU and vehicle coordinate systems based on IMU and series chassis sensor measurements. A practical proof of concept with real sensor data demonstrates that the approach effectively identifies the misalignment angles.
Das Aufkommen hochautomatisierter Fahrsysteme stellt eine Mobilitätsrevolution dar, die ein großes Potenzial zur Verringerung von Verkehrsunfällen und Todesopfern hat. Um diese Technologie zu ermöglichen, sind präzise Informationen über die Eigenbewegung des Fahrzeugs, auch bekannt als Ego-Motion, von entscheidender Bedeutung. Allerdings ist es schwierig, die erforderlichen Bewegungsinformationen direkt durch Messungen zu erhalten, sei es aufgrund der hohen Kosten oder der Unpraktikabilität. Daher müssen Schätzverfahren entwickelt werden, welche auf kostengünstigen Sensoren basieren.
Ziel dieser Arbeit ist es, ein Verfahren zur Schätzung der Eigenbewegung eines Fahrzeugs für Anwendungen im Bereich des automatisierten Fahrens in der Stadt zu entwickeln und dessen Effektivität experimentell zu demonstrieren. Ziel ist es, mit Hilfe von serienmäßigen Fahrwerkssensoren und einer Inertialmesseinheit (IMU) in Echtzeit genaue und hochverfügbare Schätzungen der Fahrzeuggeschwindigkeit und der Lage im Raum zu erzeugen. Zu diesem Zweck wird eine Reihe neuartiger Methoden vorgeschlagen, die sich mit vier Teilproblemen des Problems der Eigenbewegungsschätzung des Fahrzeugs befassen, nämlich die gleichzeitigen Schätzung von Zustand und Parametern für nicht-persistent erregte Systeme, die Eigenbewegungsschätzung des Fahrzeugs auf der Grundlage serientauglicher Fahrwerkssensoren und einer IMU, die intrinsischen Online-Kalibrierung der IMU und die extrinsischen Kalibrierung der IMU.
In der vorliegenden Arbeit werden die intrinsische Online-IMU-Kalibrierung und die extrinsische IMU-Kalibrierung als simultane Zustands- (Fahrzeugbewegung) und Parameterschätzungsprobleme (IMU-Fehler) behandelt. Ungünstigerweise ist die Anregung nicht ausreichend, um sowohl Zustände als auch Parameter in allen Fahrsituationen zu rekonstruieren, was die meisten in der Literatur verfügbaren Methoden ungeeignet macht. Daher wird ein neuartiges regularisiertes adaptiver Kalman-Filter vorgeschlagen, welches das Problem der gemeinsamen Zustands- und Parameterschätzung für nichtpersistent angeregte Systeme behandelt. Zusätzlich wird eine ausführliche Stabilitätsanalyse vorgestellt, die die exponentielle Konvergenz der Zustands- und Parameterschätzungsfehler während Perioden ausreichender Anregung sowie ihre Stabilität im Falle unzureichender Anregung beweist.
Für das zweite Teilproblem wird in dieser Dissertation ein neuartiges, auf einem Kalman-Filter basierendes Schätzverfahren vorgeschlagen, das sich ausschließlich auf serientaugliche Fahrwerkssensoren und eine 6-D IMU stützt und sowohl Geschwindigkeits- als auch Lagewinkelschätzungen liefert. Obwohl dieser Ansatz direkt auf Fahrzeuge angewendet werden kann, die mit einer hochwertigen IMU ausgestattet sind, zeigen experimentelle Ergebnisse, dass die typischen zeitlich variierenden Biase, die die Messungen von in der Automobilindustrie verwendeter IMUs verfälschen, zu einer erheblichen Verschlechterung der Bewegungsschätzungen führen. Daher ist eine intrinsische Online-Kalibrierung erforderlich (drittes Teilproblem). Das Schätzverfahren wird daher erweitert, um gleichzeitig die Fahrzeuggeschwindigkeit, die Lagewinkel und die IMU-Bias zu schätzen. Aufgrund des Fehlens einer dauerhaften Anregung ist das Rückgrat des Ansatzes das neuartige regularisierte adaptive Kalman-Filter. Die Effektivität des Schätzverfahrens wird anhand von Versuchsergebnissen sowohl aus normalen Stadtfahrten als auch aus Kollisionsvermeidungsmanövern demonstriert.
Schließlich können auch Ausrichtungsfehler der IMU, die durch Toleranzen bei der Fahrzeugmontage entstehen, zu einer erheblichen Verschlechterung der Bewegungsschätzungen führen. Daher ist die Durchführung einer extrinsischen Kalibrierung von entscheidender Bedeutung (viertes Teilproblem). In dieser Arbeit wird ein neuartiger Schätzansatz für die Identifizierung der Fehlausrichtungswinkel zwischen dem IMU- und dem Fahrzeugkoordinatensystem auf der Grundlage von IMU- und Serienfahrwerkssensormessungen vorgeschlagen. Ein praktischer Nachweis der Konzepttauglichkeit mit realen Sensordaten zeigt, dass der Ansatz die Fehlausrichtungswinkel effektiv identifiziert.
