Sensor fusion of phased array radio and inertial sensor measurements using factor-graph-based optimisation

Abstract

Å ta i bruk ubemannede luftfartøyer (UAV) gir en rekke fordeler for kommersielle og militære applikasjoner, med sin høye presisjon og kostnadseffektivitet. UAV-laboratoriet ved NTNU har drevet omfattende forskning på navigering av UAV. De facto-metoden har vært å bruke globalt navigasjons satellitt system (GNSS)-støttet treghetsnavigasjonssystem (INS) med INS-korreksjonene implementert med en Kalman filter (KF) basert estimeringsalgoritme, spesielt multiplikativ feiltilstand Kalmanfilter (MEKF). På grunn av sårbarhetene til GNSS er det imidlertid nødvendig med en alternativ backupløsning for sikkerhetskritiske UAV-operasjoner. UAV-laboratoriet har funnet et fasestyrt radiosystem (PARS) som et godt alternativ, selv om det er utfordringer med flerveisinterferens. Dessuten er KF-algoritmen følsom for avvikende målinger, linearisering og ikke-gaussiske sensorfeil, og derfor er det interessant å utforske alternative løsninger som potensielt gir bedre robusthet og høyere presisjon i estimatene. En svært lovende estimeringsformulering er factor graf optimalisering (FGO), en teknikk som brukes på problemer som samtidig lokalisering og kartlegging (SLAM).

Denne oppgaven undersøker i hvilken grad en FGO-implementering kan forbedre ytelsen til UAV tilstandsestimat og øke robustheten mot støyende ikke-Gaussisk målestøy, slik som PARS. Dette utforskes ved å sammenligne FGO-algoritmen med MEKF. MEKF er implementert i MATLAB ved hjelp av en verktøykasse fra UAV-laben, mens FGO er realisert i C++ ved hjelp av Georgia Tech Smoothing and Mapping (GTSAM) rammeverket. Algoritmene er testet på et datasett levert av UAV-laben til en flyging på Agdenes flyplass nordvest for Trondheim. Den gir Treghetsmåleenhet (IMU)-målinger, nøyaktige GNSS-målinger og feilaktige PARS-data på grunn av flerveisinterferens. Videre ble det utført en litteraturgjennomgang på de to algoritmene og deres ytelse, med fokus på GNSS- og PARS målinger. Dette ble følgelig brukt for å motivere FGO-rammevalg.

FGO-estimerings algoritmen implementert i denne oppgaven produserer vellykket estimat av posisjonen og orientering med GNSS-støttet INS. I tillegg oppnår den tilfredsstillende estimater for nord og østposisjonen sammen med orientering til PARS-støttet INS. FGO og MEKF produserer svært like posisjon- og orienteringsestimater. Dette innebærer at begge finner en lignende optimal løsning på optimaliseringsproblemet. Begge produserer imidlertid en utilstrekkelig estimering av ned-posisjonen med PARS-støttet INS på grunn av den høye mengden flerveisinterferens i høyden. Avhandlingen finner at den tradisjonelle minste kvadratiske formuleringen av FGO er et konkurransedyktig alternativ til MEKF som brukes av UAV-laboratoriet i dag. Videre har den lovende muligheter for å forbedre robustheten mot avvikende data, noe som gjør den mer fleksibel enn MEKF.

Disse funnene i oppgaven motiverer til videre forskning innen UAV-state estimering med FGO-teknikker. Spesifikt er FGO-potensialet for å forbedre robustheten mot de støyende PARS-målingene fordelaktig å undersøke og nødvendig for å gi nøyaktige estimater med PARS-målinger.

Adopting Unmanned Aerial Vehicles (UAVs) offers numerous advantages for commercial and military applications, with its high precision and cost-efficiency. The UAV laboratory at NTNU has conducted extensive research on the navigation of UAVs. The de facto method has been to employ Global Navigation Satellite System (GNSS)-aided Inertial Navigation System (INS) with the INS corrections implemented with a Kalman Filter (KF) based estimation algorithm, specifically the Multiplicative Error State Kalman Filter (MEKF). However, due to the vulnerabilities of GNSS, it is necessary with an alternative backup solution for safety-critical UAV operations. The UAV lab has found a Phased Array Radio System (PARS) a viable alternative, though there are challenges with multipath propagation. Moreover, the KF algorithm is sensitive to outliers, linearisation and non-gaussian sensor errors, and, therefore, it is interesting to explore alternative solutions potentially providing better robustness and higher precision in its estimates. A highly promising estimation formulation is Factor Graph Optimisation (FGO), a technique applied to problems such as Simultaneous Localisation and Mapping.

This thesis investigates to what degree an FGO implementation can improve the performance of UAV state estimation and increase robustness to noisy non-Gaussian measurement noise, such as PARS. This is explored by comparing the FGO algorithm against the MEKF. The MEKF is implemented in MATLAB using a toolbox from the UAV lab, while the FGO is realised in C++ using the Georgia Tech Smoothing and Mapping (GTSAM) framework. The algorithms are tested on a dataset provided by the UAV lab of a flight at Agdenes Airfield northwest of Trondheim. It provides Inertial Measurement Unit (IMU) measurements, accurate GNSS measurements and erroneous PARS data because of multipath propagation. Furthermore, a literature review was conducted on the two algorithms and their performance, focusing on GNSS and PARS measurements. This was consequently used to motivate FGO framework choice.

The FGO estimation scheme implemented in this thesis successfully estimates the position and attitude with GNSS-aided INS. Additionally, it achieves satisfactory estimates of the North and East position along with the attitude with PARS-aided INS. The FGO and MEKF produce highly similar position and attitude estimates. This implies that both find a similar optimal solution to their optimisation problem. However, both produce an inadequate estimation of the Down position with PARS-aided INS because of the high amount of multipath in elevation. The thesis finds that the traditional least square formulation of the FGO is a competitive alternative to the MEKF used by the UAV lab today. Furthermore, it has promising possibilities to improve robustness towards outliers, making it more flexible than the MEKF.

These thesis findings motivate further research in the field of UAV state estimation with FGO techniques. Specifically, the FGO potential to improve the robustness towards the noisy PARS measurements is advantageous to investigate and necessary to provide accurate estimates with PARS measurements.