28259

بهبود دقت تعيين موقعيت در سامانه¬ تلفيقي GPS/INS به كمك ناوبري تصويري

دكتري

برق الكترونيك

1397

1401/12/24

موسوي ميركلايي

برق

در يك محيط با دسترسي ضعيف به سيگنال¬هاي سامانه ماهواره اي GPS، حتي تركيبي از GPS و سيستم ناوبري اينرسي (INS) نمي‌تواند مكان را به طور قابل اعتماد و دقيق ارائه دهد كه دليل آن مي¬تواند علاوه بر دسترسي محدود به سيگنال¬هاي GPS، وجود خطاهاي دريفت در سيستم ناوبري INS باشد كه با گذشت زمان مقادير آن¬ها افزايش مي¬يابد. در اين رساله، يك سيستم ادغام استريو Visual Odometry (VO)/INS/GPS جديد براي ناوبري مستقل مبتني بر اتصال محكم، آزادانه و يادگيري عميق ارائه مي‌شود. سيستم¬هاي ناوبري ارائه شده مي‌تواند موقعيت وسيله نقليه را در محيط‌هاي فاقد GPS يا محيط‌هاي كم بافت كه هيچ ويژگي هايي وجود ندارد، تخمين بزند. براي اين منظور، در سيستم¬هاي با اتصال محكم و آزادانه، بردار حالت سيستم با ويژگي هاي استخراج شده از تصاوير يك دوربين استريو ادغام مي شود و مي توانيم از اين اندازه¬گيري¬ها براي به روزرساني فيلتر كالمن استفاده نماييم. همچنين، به كمك مفهوم يادگيري عميق توانستيم كه سيستمي را ارائه نماييم كه در مقايسه با مدل‌هاي سنتي نياز به تنظيم دقيق حسگر‌ها ندارد و مستقيماً مكان را از تصاوير و داده‌هاي واحد اينرسي تخمين مي‌زند. همين‌طور، براي بازيابي مقياس به دانش قبلي و نيز به پارامتر‌هاي اضافي نياز نداريم. علاوه بر موارد بالا، در سيستم هاي پيشنهاد شده از يك سيستم نويززدايي مناسب جهت كاهش نويزهاي فركانس بالاي سيستم INS استفاده مي¬كنيم كه اين سيستم بعد از آزمودن مدل هاي مختلف انتخاب شده است. براي ارزيابي عملكرد سيستم هاي پيشنهاد شده، داده¬هاي مرجع مختلف Fast Flight و KITTI كه به صورت گسترده در مراجع استفاده مي شود را به كار گرفتيم. نتايج نشان مي دهد كه هر كدام از ساختارهاي پيشنهادي در مقايسه با نمونه هاي سنتي خود داراي عملكرد فوق العاده اي هستند. ساختار پيشنهادي اول مبتني بر اتصال محكم، توانسته است كه دقتي حدود 54٪ نسبت به سيستم INS/GPS فراهم كند. اما اين سيستم از مشكلاتي از جمله واگرايي احتمالي سيستم و حجم پردازشي بالا رنج مي برد. به منظور رفع اين مشكلات، سيستم پيشنهادي دومي مبتني بر اتصال آزادانه ارائه شده است كه علاوه بر اينكه توانسته است، چالش هاي روش پيشنهادي اوليه را برطرف نمايد، برتري به سزايي در مقايسه با سيستم‌هاي سنتي INS و INS/GPS دارد، به طوري كه اين دقت حدود 58٪ بيشتر از سيستم هاي سنتي مي باشد. به عبارت ديگر، روش پيشنهادي مي‌تواند با فراهم كردن اندازه‌گيري‌ سيستم هاي GPS و VO براي به‌روز‌رساني فيلتر كالمن توسعه‌يافته، با مناطقي كه سيگنال‌ها را محدود مي‌كنند، مقابله نمايد. از سوي ديگر، روش ارائه ‌شده داراي توانايي به‌روزرساني بردار وضعيت سيستم در محيط‌هاي فاقد GPS با تشخيص و استخراج ويژگي‌هاي متناظر در فريم متوالي در سيستم VO است. در آخرين سيستم پيشنهادي كه مبتني بر يادگيري عميق مي¬باشد، علاوه بر اينكه توانسته ايم، عملكرد بهتري در مقايسه با نمونه هاي مشابه در حوزه يادگيري عميق فراهم كنيم، به چالش هاي موجود در سيستم هاي ناوبري سنتي Visual Odometry مانند تغييرات نور، اعوجاج دوربين و سرعت بالاي حركت اجسام داخل تصوير نيز غلبه كرده¬ايم.

1402/02/27

Improvement of Navigation Accuracy in Vision-Aided GPS/INS Integration System

3/14/2024 12:00:00 AM

In a GPS-denied environment, as a result of the random walk characteristics of the drift error of the Inertial Measurement Units (IMU) so that the errors of the states grow with time and limited access to the GPS signals, even the combination of GPS and Inertial Navigation System (INS) cannot provide location reliably and accurately. In this thesis, we propose a new denoised stereo Visual Odometry (VO)/INS/GPS integration systems based on tightly، loosely and deep learning coupled for autonomous navigation. The presented navigation system can estimate the location of the vehicle in either GPS-denied or low-texture environments where there are not any features. For this purpose, the system state vector is augmented with the extracted features from a stereo camera. Consequently, we utilize the measurements of extracted features from consecutive frames and GPS-derived information to make these updates. Also, by using the concepts of deep learning, we can present a system that does not require the precise adjustment of sensors compared to traditional methods and directly estimate the location from the images and inertial unit data. And there is no need to provide the scale from prior knowledge and additional parameters. Additional to the mentioned points, we used a noise reduction system in our proposed method to reduce the high-frequency noises of the INS system, so that it was selected after testing different models. To verify the performance of the proposed methods, we utilize the different fast flight and KITTI benchmark datasets that are widely utilized in the literture. The results demonstrate that the proposed models have superior performance compared to traditional methods. Although the first proposed method based on the tightly coupled has outperformed by approximately %54 compared to the GPS/INS system, it suffered from several problems such as possible divergence of the system and high computation complexity. To tackle these problems, the second loosely-coupled EMD-denoised stereo VO/INS/GPS proposed structure is presented so that it has an excellent superiority compared to the INS and INS/GPS traditional systems so that it outperforms INS/GPS by approximately 58%. The proposed method could tackle limited access by providing the measurements of the GPS and VO systems for the update phase of the EKF. On the other hands, the presented method is able to update the system state vector in GPS-denied environments by detecting and extracting the corresponding features in consecutive frames in the VO system. In addition, our proposed structure could provide more measurements for the measurement model of the EKF than the INS/GPS system in non-outages environments so that it leads to stabilizing the presented structure in GPS challenging environments. In the last proposed system which is based on deep learning, in addition to being able to provide better performance compared to similar examples in the field of deep learning, it can overcome to the challenges in the visual odometry traditional navigation system such as light changes, camera distortion, and the high speed of movement of objects in the image.

سيستم موقعيت يابي جهاني , سيستم موقعيت يابي اينرسي , سيستم موقعيت يابي بينايي , فيلتر كالمن , يادگيري عميق

GPS , INS , VO , Kalman Filter , Deep Learning

Mohsen Nezhadshahbodaghi

Dr. Seyed Mohammad Reza Mosavi