Show simple item record

dc.contributor.advisorBryne, Torleiv H.
dc.contributor.authorJoseph, Tonja
dc.date.accessioned2021-09-23T18:12:58Z
dc.date.available2021-09-23T18:12:58Z
dc.date.issued2020
dc.identifierno.ntnu:inspera:56990118:20983363
dc.identifier.urihttps://hdl.handle.net/11250/2780955
dc.description.abstractEn selvkjørende Formula Student-racerbil er avhengig av å ha nøyaktig kunnskap om sin nåverende posisjon, fart og attitude, ofte referert til som bilens tilstander, til enhver tid. Dette er nødvendig for å fullføre de dynamiske konkurranseeventene så fort som mulig. For å nå hele veien opp til toppen av resultatlistene, må racerbilen være istand til å vise robust ytelse i alle sine systemer til tross for utfordrende kjørebaner og delvise systemfeil. Her inngår også pålitelig og effektiv fusjon av den tilgjengelige sensordataen, hvor alle kilder til usikkerhet er tatt hensyn til. Denne masteroppgaven redegjør, implementerer og validerer et tilstandsestimeringssystem for en Formula Student-racerbil som møter de nevnte kravene. Det foreslåtte designet er et multiplikativt utvidet Kalmanfilter. Filteret er indirekte formulert, og drives av høyfrekvente målinger fra treghetssensorer. Posisjonsmålinger og basevektormålinger fra to GNSS-mottakere, samt radarbaserte bakkehastighetsmålinger, er brukt til å korrigere tilstandsestimatene. I et slikt design brukes kvarternioner til å parametrisere den nominelle attituden til fartøyet, derav betegnelsen "mulitplikativt". Dette eliminerer risikoen for singulariteter i systemet. Attitudefeilen er et såpass lite signal at den uansett ikke er utsatt for singulariteter og er representert med den tredimensjonale vinkelfeilen. Kalmanfilteret er også basert på en kinematisk modell, og er dermed uavhengig av parametrene til bilen. Dette gjør at tilstandsestimeringssystemet også er robust mot varierende dekk- og bakkeforhold. Valideringen av det utviklede tilstandsestimeringssystemet viser et lovende potensiale. De estimerte tilstandende konvergerer raskt mot deres sanne verdier, gitt av en simulator. Det utviklede systemet er også istand til å detektere og forkaste ekstremverdier, ansett som upålitelige, basert på statistisk hypotesetesting. Valideringen er gjort i simulator. Dette er representativt, men ikke tilstrekkelig for å kunne si noe sikkert om ytelsen under et faktisk løp. Det gjenstår derfor forsatt validering og videreutvikling før det utviklede tilstandsestimeringssytemet kan anvendes på bil. For å legge til rette for denne videreutviklingen, er det nåværende designet nøye drøftet i denne rapporten. De største bidragsytende faktorene til de tilstrekkelig gode resultatene oppnådd i simulator er identifisert og diskutert. Avslutningsvis inneholder oppgaven konkrete forslag til hensiktsmessige fremtidige fokusområder i videreutviklingen av produktet.
dc.description.abstractAn autonomous Formula Student race car requires accurate information about the vehicle's pose and motion in order to complete the challenging dynamic events of the competition as fast as possible. To reach all the way to the top of the ranking list, the race car should display robust performance despite complex tracks and partial system failure. This includes a reliable and efficient fusion of the available sensor data, where all sources of uncertainty are optimally accounted for. In this thesis, a state estimation solution is derived, implemented, and validated with simulations. The proposed design is a multiplicative extended Kalman filter. The filter is formulated indirectly and driven by high rate inertial measurements. Low rate position and baseline measurements from dual GNSS receivers and radar-based ground speed measurements are used for corrections. The proposed design uses a unit quaternion as the nominal attitude parametrization and the three-parameter angular error state. This removes any risks of singularities in the system. The Kalman filter is based on a purely kinematic model. Hence, it is independent of the vehicle's parameters and robust to varying track and tire conditions. The validation of the developed state estimation system shows promising potential. The system shows rapid convergence towards the true vehicle states and is capable of detecting and rejecting outliers in the sensor measurements. The validation is carried out offline with simulated data. This is representative, but not sufficient for verification of on-track performance. Further testing and development still remain before the system can be considered viable. To facilitate further development, the current design is thoroughly examined. The main contributing factors to the desirable performance achieved in the simulator are discussed. At the very end of this thesis, suggestions for future work are proposed based on the experience gained throughout this process.
dc.language
dc.publisherNTNU
dc.titleState Estimation for a Self-Driving Racing Car
dc.typeMaster thesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record