Ground surface pattern recognition for enhanced navigation

Schweigler, Martin; Abel, Dirk; Kowalewski, Stefan

doi:10.18154/RWTH-2021-05828

Ground surface pattern recognition for enhanced navigation

Schweigler, Martin^RWTH*

2021

Verantwortlichkeitsangabevorgelegt von Martin Schweigler (Master of Science RWTH Aachen University)

ImpressumAachen : RWTH Aachen University 2021

Umfang1 Online-Ressource : Illustrationen, Diagramme, Karten

ReiheAachener Informatik-Berichte ; 2021-07

Dissertation, RWTH Aachen University, 2021

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Kowalewski, Stefan (Thesis advisor) ; Abel, Dirk (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2021-05-05

Online
DOI: 10.18154/RWTH-2021-05828
URL: https://publications.rwth-aachen.de/record/820793/files/820793.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
hidden Markov models (frei) ; navigation system (frei) ; pattern recognition (frei) ; sensor fusion (frei)

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Mit den seit 2005 kontinuierlich zunehmenden Absatzzahlen elektrisch unterstützter Fahrräder ist europaweit auch ein signifikanter Anstieg von Fahrradunfällen mit zum Teil schwerwiegenden Folgen zu verzeichnen. Gleichzeitig wurden in demselben Zeitraum jedoch kaum relevante Fahrerassistenzsysteme vorgestellt, welche diesem Anstieg entgegenwirken könnten, obwohl die Elektrifizierung der sogenannten Pedelecs deren Entwicklung grundsätzlich ermöglicht. Die vorliegende Arbeit kann daher als erster Schritt auf dem Weg zur Realisierung aktiver positions- und situationsabhängiger Sicherheitssysteme angesehen werden, indem die Fahrzustandsbestimmung von Fahrradnavigationssystemen verbessert wird. Im Kern der Arbeit wird ein Positionsschätzer entwickelt, welcher Fahrbahnabschnitte mit signifikanten Oberflächenstrukturen nutzt, um die Positionierungsgenauigkeit eines herkömmlichen GNSS/INS zu stützen. Dabei erkennt das System einzelne, in der Fahrbahnoberfläche befindliche Spots, wie z.B. Kanalabdeckungen oder Schlaglöcher, anhand der vertikalen Beschleunigung, welche beim Überfahren auf das Pedelec wirken. Konkret werden dazu die einzelnen Beschleunigungsprofile mit einem Smartphone aufgezeichnet und offline mit Hilfe von kontinuierlichen Hidden-Markov-Modellen statistisch modelliert. Im Online-Modus werden die trainierten Modelle dann verwendet, um die Spots anhand der Beschleunigungsprofile einzelner Straßenabschnitte beim erneuten Überfahren zuerkennen. Anschließend wird mittels einer inertialen Berechnung der in der Zeit zwischen der Erkennung und Bestimmung des Spots zurückgelegten Wegstrecke die Position des Pedelecs relativ zu dessen globalen Koordinaten bestimmt. Das System verwendet somit statistische Modelle, um die absolute Position des Pedelecs zu schätzen, und wird daher Statistical Absolute Position Estimator oder auch SAPE genannt. Im zweiten Teil der Arbeit wird SAPE verwendet, um ein Navigationssystem zu entwickeln, welches das Potenzial der Bodenflächenmustererkennung aufzeigt. Dazu werden die SAPE-Positionsschätzungen analog zu den GNSS-Messungen unter Verwendung eines Extended Kalman Filters mit einem inertialen Navigationssystem fusioniert. Da die vom Smartphone bereitgestellte inertiale Sensorik keine ausreichende Genauigkeit bietet um ein Stand-Alone-INS zu implementieren, wird die Navigationslösung zusätzlich durch eine Odometrie am Pedelec unterstützt. Das daraus entstehende GNSS, SAPE und Odometrie-gestützte INS wird schließlich mit Hilfe eines RTK GNSS evaluiert und dessen Genauigkeit mit dem eines unter Verwendung der gleichen Low-Cost-Hardwareerstellten herkömmlichen Odometrie-gestützten GNSS/INS verglichen.

With the continuous increase in sales of electrical assisted bicycles over the last decade, the number of bicycle accidents across Europe has simultaneously grown significantly. At the same time the technology lacks on active safety systems, even though the electrification of the so-called Pedelecs would allow their development. This dissertation can be seen as the first step in the process of developing position and situation dependent active safety systems by improving the position determination accuracy of bicycle navigation systems. In the core of this work a position estimation system is developed, which uses roadsections with significant surface conditions to improve the positioning accuracy of a conventional GNSS/INS. Based on the vertical accelerations acting on the moving Pedelec, the system recognizes individual spots in the road surface, e.g. manholes or potholes. Tobe more precise, the individual acceleration profiles that occur when passing different spots, are recorded with a smartphone and statistically modeled offline with the help of continuous hidden Markov models during the training phase. In online mode, the trained models are then used to recognize the spots by the acceleration profiles of the revisited road sections. The absolute positions of the Pedelec, relative to the global coordinates of the recognized spots, are subsequently determined by an inertial calculation of the distances traveled in the time between their detection and classification. The system thus uses statistical models to estimate the absolute position of the Pedelec and is consequently called Statistical Absolute Position Estimator, or SAPE. In the second part of this work, SAPE is used to develop a navigation system, which shows the potential of the ground surface pattern recognition. For this purpose the SAPE and GNSS position determinations are fused with an inertial navigation system using an extended Kalman filter. Since the inertial sensors provided by the chosen smartphone are not accurate enough to realize a stand-alone INS, an odometry is developed and implemented to support the navigation solution. The resulting GNSS, SAPE and odometry supported INS is finally evaluated using an RTK GNSS and its accuracy is compared to that of a conventional odometry supported GNSS/INS created with the same low-cost hardware.

OpenAccess:
PDF
(zusätzliche Dateien)