Sensor integration and timing in sensor fusion systems

Abstract

Denne masteroppgaven beskriver utviklingen av algoritmer som blir brukt til å utføre tidssynkronisering i sensorfusjonssystemer. Disse algoritmene kan bli brukt i sanntid og økningen i tidssynkronisering kan føre til en signifikant økning i nøyaktigheten til sensorfusjonen. Denne masteroppgaven bruker georeferering fra droner (UAV) som et eksempel for å kvantifisere effekten av den forbedrede tidssynkroniseringen. Datasettene som blir brukt i denne masteroppgaven kommer fra ulike droner som bruker utstyr for å utføre georeferering som enten har vært stasjonære eller har flydd. En satellittbasert navigasjonssystem (GNSS) mottaker ble brukt for å få en nøyaktig tidskilde som så ble brukt for å synkronisere de andre sensorene. Ved å bruke dette som utgangspunkt ble fire ulike algoritmer utviklet, hvor en av disse var et Kalmanfilter. Algoritmene ble evaluert ved å bruke det kvadratiske gjennomsnittet (RMS) av synkroniseringsfeilen på alle sensorene over hele datasettet. Deretter ble det sett på effekten dette hadde på nøyaktigheten til georefereringen. Det beste resultatet kom fra Kalmanfilteret, men den tredje algoritmen som brukte et glidene gjennomsnitt hadde nesten like bra resultat. Synkroniseringsfeilen til bevegelsessensoren (IMU), ble redusert med en faktor på opp til 25 000 når tidssynkroniseringsalgoritmene ble brukt, sammenlignet med ingen aktiv tidssynkronisering. Dette resulterte i en reduksjon i posisjonsfeilen til georefereringen med en faktor på opp til 4000, basert på den nøyaktigheten som var valgt for sensorene og hvordan dynamikken til systemet var bestemt i denne oppgaven. Disse resultatene ble funnet ved å bruke data som ble samlet inn etter en flyvning var fullført. Dermed så har ikke systemet blitt testet i sanntid og den faktiske ytelsen i sanntid mens dronen er i luften kan avvike fra resultatene som er presentert her. Resultatene viser fremdeles at det å redusere synkroniseringsfeilen kan ha en stor påvirkning på nøyaktigheten til sensorfusjonen, spesielt hvis dronen beveger seg fort og sensorene er nøyaktige.

This thesis describes the development of algorithms to perform time synchronization in sensor fusion systems. These algorithms can be used in real-time and the increase in time synchronization performance can result in a significant increase in sensor fusion accuracy. In this thesis the use case of georeferencing from an unmanned aerial vehicle (UAV) is used as an example to measure the effect of the increased time synchronization performance. The datasets used in this thesis comes from different UAVs using georeferencing equipment that were either stationary or in flight. A global navigation satellite system (GNSS) receiver was used to get an accurate time source which was used to synchronize the other sensors. Using this, four different algorithms, where one was a Kalman filter was implemented to perform time synchronization. The algorithms were evaluated based on the root mean square (RMS) of the synchronization error for the different sensors during the entire dataset and the subsequent effect this had on the georeferencing accuracy. The best performance was achieved using the Kalman filter, but the third algorithm using a moving average had almost similar results. The synchronization error of the inertial measurement unit (IMU), decreased by a factor of up to 25 000 when using the time synchronization algorithms compared to no active synchronization. This resulted in a decrease in positional georeferencing errors by a factor of up to 4000 with the system dynamics and sensor precision chosen in this thesis. These results were found by correcting the data after a flight had been performed, so the real-time viability and actual performance in a real flight has not been verified. However, the results show that reducing synchronization errors can have a big impact on sensor fusion accuracy if the system dynamics are fast and the sensors are accurate.