Sensor fusion of phased array radio bearing and inertial measurements using factor-graph-based optimization

Abstract

Globalt navigasjonssatellittsystem (GNSS) er den primære sensoren som brukes i moderne navigasjon. Imidlertid gjør noen scenarier GNSS upålitelig eller helt utilgjengelig. Fase-arrangerte radiosystemer (PARS) muliggjør en annen tilnærming til navigasjon som begrenser noen av svakhetene man finner i GNSS. Fase-arrangerte bakkestasjoner kan samle retningsmålinger som kan bli benyttet til å lage et navigasjonssystem uavhengig av GNSS. En utfordring med PARS-målinger er at de er utsatt for feil som flersti-problemet. Dette krever fusjonering av PARS-målinger med treghetsmålinger fra en treghetsmålingsenhet (IMU). De siste årene har faktorgrafoptimering (FGO) blitt en populær tilnærming innenfor forskning i feltene datasyn og simultan lokalisering og kartlegging (SLAM). I dette arbeidet utvikles en faktorgrafestimator for fusjonering av IMU og PARS målinger og sammenlignes mot et feiltilstands-Kalmanfilter. Begge estimatorene ble testet på både simuleringer og data samlet gjennom eksperimenter i felt. To forskjellige tilnærminger med avvisning av avvikende målinger er testet for Kalmanfilter og FGO estimatorene for å håndtere flersti-problemet til stede i PARS-målingene. Resultatene indikerer at FGO gir mer nøyaktige resultater når avvikende målinger er til stede på grunn av robuste avvisningsteknikk. Til slutt er en løsning til problemet med å kalibrere for posisjon og orientering til PARS-antennene etter montering i sanntid ved bruk av FGO foreslått og testet.

The global navigation satellite system (GNSS) is the primary sensor used in modern navigation. However, some scenarios make GNSS unreliable or outright unavailable. Phased array radio systems (PARS) give way to a different approach that remedies some of the weaknesses present with GNSS. Phased array ground stations are able to acquire bearing measurements that can be exploited to create a navigation system independent of GNSS. However, PARS measurements are susceptible to errors like multipath, which requires the measurements to be fused with inertial measurements from an inertial measurement unit (IMU). In recent years factor graph optimization (FGO) has become popular in computer vision and simultaneous localization and mapping (SLAM) research. In this work, a FGO-based estimator is developed for the fusion of PARS and IMU measurements and benchmarked with an error state Kalman filter (ESKF). Both estimators were tested in simulation and on data gathered from field experiments. To deal with the multipath issue present in the PARS measurements, two different approaches for outlier rejection are tested for the Kalman filter and FGO estimators, respectively. The results indicate that FGO gives more accurate estimates in the presence of outliers due to robust outlier rejection techniques. Additionally, a solution to the problem of calibrating the PARS antenna mounting position and orientation online using FGO is proposed and tested.