Tightly and loosely coupled sensor fusion of inertial and magnetic field norm measurements in a foot-mounted sensor

Abstract

I denne oppgaven utformes to algoritmer for innendørs personavigasjon ved hjelp av fotfestet aksellerometer, gyroskop og magnetometer. Algoritmene konstruerer et kart over variasjoner i magnetfeltet innendørs, samtidig som de bruker magnetfeltmålinger til å navigere i kartet.

Den første algoritmen bruker to tilgjengelige metoder som byggesteiner. Den føste metoden er et Kalmanfilter for estimering av innendørs posisjon ved hjelp av fotfestet aksellerometer og gyroskop. Den andre metoden er et marginalisert partikkelfilter for samtidig å lage et kart over magnetfeltanomalier og navigere i kartet. Metoden bruker gaussiske prosesser, tilnærmet med metoder fra funksjonalanalyse for å unngå at kjøretid skaleres med antall målinger. Ved å modelere posisjonsestimatet fra Kalmanfilteret som en usikker informasjonskilde om endring i posisjon, anvendes et marginalisert partikkelfilter for å oppnå samtidig navigasjon og kart-konstruksjon av variasjoner i magnetfeltet. Den første algoritmen er et eksempel på løst koblet sensorfusjon. Den andre algoritmen bruker de matematiske modellene som byggesteinene i den første algoritmen er basert på. Disse modellene gir til sammen et estimeringsproblem som kan løses av et enkelt marginalisert partikkelfilter. Den andre algorithmen er et eksempel på tett koblet sensorfusjon.

Begge algoritmene testes eksperimentelt, og vises å fjerne effekten av drift i eksisterende personnavigasjon ved bruk av fot-montert aksellerometer ved passering av tidligere kartlagte områder. Algoritmene oppnår sammenlignbar presisjon i tre dimensjoner som eksisterende metoder for navigasjon ved hjelp av fotfestet magnetometer, aksellerometer og gyroskop oppnår i to dimensjoner. Resultatene illustrerer også hvordan tett koblet sensorfusjon kan være fordelaktig for samtidig magnetfeltkartlegging og navigasjon ved bruk av fotfestet sensor.

This thesis proposes and compares experimentally two algorithms for indoor pedestrian navigation using a foot-mounted tri-axis gyroscope, accelerometer and magnetometer. The algorithms estimate the pedestrians' position using magnetic field simultaneous localisation and mapping (Mag-SLAM).

The zero-velocity aided Extended Kalman filter (the ZUPT-aided EKF) for navigation using a foot-mounted accelerometer, magnetometer and gyroscope were proposed for indoor pedestrian navigation by \cite{Foxlin2005}. Recently, a computationally tractable algorithm using a Rao-Blackwellized particle filter to perform Mag-SLAM on the three-component magnetic field was proposed by \cite{Kok2018}. The first proposed algorithm in this thesis uses the output of the ZUPT-aided EKF as an input to a Rao-Blackwellized particle filter to perform Mag-SLAM using magnetic field norm measurements from a foot-mounted sensor. This is an example of loosely coupled sensor fusion. The second algorithm uses a joint stochastic state-space model for the system and applies a single Rao-Blackwellised particle filter to the joint estimation problem. This is an example of tightly coupled sensor fusion.

Both algorithms are tested experimentally. The experimental results demonstrate that the algorithms remedies drift in the position estimate compared to the ZUPT-aided EKF. The performance of the two algorithms also illustrates how tightly coupled sensor fusion can be beneficial for the estimation of Mag-SLAM in a foot-mounted sensor.